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

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

本研究通过两项在线实验调查普通人对三种算法公平性定义的看法，测试这些定义在贷款决策中是否公平，并排除添加敏感信息（即贷款申请人的种族）是否会影响公平感知。结果表明，校准公平性被普遍接受并得到支持，同时研究还证明了平权原则的重要性。

Nov, 2018

本研究探讨了机器学习开发者对于公平性的感知和评估，通过一个焦点小组讨论的方式，发现开发者通常关注机器学习应用程序的整体设计和开发过程中的各种因素，包括业务需求、数据收集、预处理、处理和后处理等，并得出结论认为，组织公正理论的程序性方面可以解释开发者对公平性的感知。本研究的发现可以进一步用于协助开发团队在机器学习应用程序的开发周期中集成公平性，同时也可以激励机器学习开发者和组织开发评估机器学习应用程序公平性的最佳实践。

Apr, 2023

该研究提出了一种算法公平的努力程度量度标准，并提出了一种数据驱动框架，用于表征算法政策对重塑基础人口的长期影响。

Mar, 2019

本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

Jul, 2020

本研究采用三项实验研究人们在不同情境和解释方式下对算法决策中正义感的感知。研究结果表明，解释方式仅在被暴露于多种不同方式的情况下对正义感知产生影响，而在同一方式的重复暴露下，情境效应会掩盖任何解释的影响。这些结果表明，关于算法决策的最佳解释方式并不存在，并且自动化本质对正义维度的涉及和缓解都有影响。

Jan, 2018

介绍算法公平性在教育中的应用，关注预测模型、偏见和歧视，给出了在教育技术中如何促进算法公正性的方针建议。

Jul, 2020

本篇研究通过开发公开基准来对不同的公平性增强算法进行比较，并发现许多公平性措施之间具有强烈的相关性，但这些措施也对数据集构成的波动敏感，这表明公平干预可能比以前认为的更脆弱。

Feb, 2018