该研究调查用户对算法决策公平性的看法，并提出了一个框架来了解人们如何认识和判断决策算法的公平性。他们通过与 576 人的一系列情境调查，验证了这一框架，并发现人们关注的不公平问题是多方面的。在高层次上，该研究显示人们的不公平关注是多维度的，未来的研究需解决超出歧视范围的不公平关注问题；在低层次上，研究表明人们在公平判断上存在着相当的分歧，但同时也提出了解决这些分歧的可能途径。

Feb, 2018

本研究使用在线实验的方法，探讨三组因素（算法预测结果、算法开发和部署程序以及个体差异）对算法公平性认知的影响，研究发现，参与者倾向于认为算法在其预测结果有利的情况下更加公平，这种影响受到多种变量的调节，如教育水平、性别以及开发程序的若干方面，研究结果表明在通过用户反馈评估算法公平性时，必须考虑预测结果偏好的可能存在。

Jan, 2020

机器学习算法应用于如信贷贷款或刑法司法等关乎人类生活方面的情境，其所基于的数据若含有人类偏见决策，则会产生人类偏见决策，拥有公平观念的机器学习是一种解决方案，但是如何实现公平面临着 “多维面” 等难题，要想在不同领域实现公平、公正，算法必须做到数据和开发者审查的透明化，在此基础上不断进行公平审计。

Jan, 2019

通过分析当前的机器学习算法工具在犯罪司法领域的使用，从数据科学和公共法律学的角度指出这些技术开发人员需要与公共法律专家密切合作，确保这些算法工具构建和实施过程中遵守公共法律原则，尊重人权，以免引发有悖宪法原则的风险。

Jan, 2023

本论文针对算法决策中的公平性问题提供了跨学科的构想。其中，法律系统的差异是一个核心问题，同时论文提出了一种上下文方法来处理意外的群体歧视，研究算法决策的可解释性。

May, 2022

本文探讨了机器学习如何工作以及如何制定公正和负责任的算法，重点考虑了在刑事司法系统中执行决策的案例，并对 HART 作为现实世界分类器的技术特征进行了说明和四个规范基准进行了评估。

Nov, 2018

机器学习系统中不公正和歧视的问题引起了对 “解释权” 的关注。该研究对欧洲数据保护法的规定、法国行政法和欧洲理事会 108 号公约草案中的新的解释权进行了分析。虽然个人权利在隐私法中具有一定的作用，但与之相对应的透明度似乎仅仅是治标不治本的手段，因此其他形式的治理手段如影响评估、软性法律、司法审查和模型资源库等应该得到更多的关注，同时，推动代理机构为用户控制算法系统设计也应得到重视。

Mar, 2018

该论文探讨了自动化决策系统在人类决策中的作用和不足，旨在通过深入研究来理解决策主体对于基于自动化决策系统的透明度的决策的不同感受，确保决策的质量、公正以及人性化。

Apr, 2022

本文概述了在使用人工智能算法时如何识别、测量和提高算法公正性的主要概念，并讨论了算法偏见和不公正的原因、公正的常见定义和度量以及预处理、处理中和后处理机制，最终回顾了几个新兴的算法公正性研究子领域。

Jan, 2020

使用约束优化提高算法公平性，最优算法需要将被告拘留，同时满足形式上减少种族歧视的公平约束，但是最优无约束算法需要将所有被告适用相同阈值，最大限度确保公共安全和平等。在 Broward County, Florida 的数据中可以发现，提高算法公平性和满足公共安全之间存在着权衡和牺牲。

Jan, 2017