IBI-002395 - Critiquepublie
Biais de classification de genre
Gender Classification Bias
Score IBI
8.9
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection3
🇫🇷 Définition (FR)
Systèmes de vision classifiant le genre avec des taux d'erreur très différents selon le groupe ethnique.
🇬🇧 Definition (EN)
Vision systems classifying gender with highly different error rates across ethnic groups.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L2
Représentation
S
Spécifique
S16
Biais d'exclusion
💡
Exemple concret
Gender Shades : 34,7% d'erreur sur femmes noires vs 0,8% sur hommes blancs.
📊 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
- •Gender Shades: Intersectional Accuracy Disparities in Commercial Gender ClassificationJoy Buolamwini, Timnit Gebru (2018)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
FemmesPersonnes noires / afro-desc.
🛠 Méthodologies de mitigation
- DEMO_PARITY : Parité démographique
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Justice et sécurité (Risque: /5)Santé et médecine (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
🌍 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
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
7659a7ec-174f-4ca4-8ca6-a6839fc7fdbb
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.