Accueil›Biais›IBI-00216
IBI-002163_significativepublie

Biais de calibration différentielle

Differential Calibration Bias

Score IBI
6.5
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes4
Difficulté détection3
🇫🇷 Définition (FR)

Probabilités prédites ne correspondant pas aux fréquences observées de façon différenciée.

🇬🇧 Definition (EN)

Predicted probabilities not matching observed frequencies differentially across groups.

Taxonomie TriAxis

Classification structurelle

O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L6
Évaluation
S
Spécifique
S18
Biais d'attribution de groupe
💡
Exemple concret

COMPAS (ProPublica 2016) : 2× plus susceptible de classer faussement une personne noire comme à haut risque.

📊 Métriques de détection

Demographic Parity DifferenceDisparate Impact RatioEqualized Odds Difference

⚙ Seuils d'alerte

Disparate Impact Ratio0.8
Equalized Odds Difference0.1
Demographic Parity Difference0.1

📚 Sources & Références Scientifiques

🛡 Impact & Mitigation

🔬 Preuves documentées (Études & Incidents)

  • Outil de recrutement expérimental d'Amazon abandonné pour biais envers les femmes : ProPublica analyse 7 000 dossiers COMPAS : l'algorithme classe 2× plus souvent faussement les accusés noirs.
    Impact : Faux positifs : 44,9% (noirs) vs 23,5% (blancs).
  • ProPublica report: recidivism risk models are racially biased (billet d'ORCAA commentant l'enqu�te � Machine Bias � de ProPublica sur COMPAS) : Source : https://orcaarisk.com/articles/2016/10/12/propublica-report-recidivism-risk-models-are-racially-biased
    Impact :

🎯 Groupes vulnérables impactés

Personnes noires / afro-desc.Classes populairesPersonnes LGBTQ+FemmesLocuteurs langues minoritairesPersonnes arabes / MENAPersonnes asiatiquesHandicap moteurSeniors (60+)Jeunes (18-25 ans)Personnes non-binairesZones rurales

🛠 Méthodologies de mitigation

  • AUDIT_TIERS : Audit par tiers indépendant

🏢 Secteurs concernés

Finance et services bancaires (Risque: /5)Logement et immobilier (Risque: /5)Ressources humaines et recrutement (Risque: /5)Justice et sécurité (Risque: /5)Assurance (Risque: /5)

⚖ Réglementations applicables

🇪🇺 Europe
  • •
    AI_ACT_10 : AI Act (UE) 2024/1689
  • •
    AI_ACT_9 : AI Act (UE) 2024/1689
  • •
    RGPD_22 : RGPD (UE) 2016/679
🇺🇸 États-Unis
  • •
    US_TX_TRAIGA : Texas Responsible AI Governance Act (HB 149)
🌍 International
  • •
    ISO_42001 : ISO/IEC 42001:2023
  • •
    UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
  • •
    OECD_AI_PRINCIPLES : OCDE - Principes IA
  • •
    COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
🇫🇷 France
  • •
    FR_CNIL_AI : CNIL - Recommandations IA
🌐 Canada
  • •
    CA_AIDA : Canada - Loi sur l'IA et les données (AIDA)

📋 Métadonnées

Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
04b57d38-46c4-4e59-91c1-b30d10c8b847

Explorer d'autres biais

250 biais documentés, classés par la taxonomie TriAxis.