这篇文章旨在通过综合文献回顾，探讨如何促进数据公正，挑战现存社会结构不平等，推进社会公正实现在数据创新生态系统及相关技术实践领域的实施。七个主题区域的文献综述分析了社会结构和权力动态对数据公正和相关的公正领域的挑战，以及如何实现在数据创新生态系统和技术实践领域中推动社会公正的转型故事。

Apr, 2022

文章探讨数据科学中道德、政治因素对社会影响的作用，提出数据科学家需要反思自身的政治立场和模式，并提出了一个阶段性的框架，以促进社会公正和影响评估，实现社会价值的最大化

Nov, 2018

本文阐述了机器学习中为何无法完全消除偏见，并提出一种端到端的方法论，将道德原则转化为机器学习开发实践，并支持团队逐步处理机器学习系统中的偏见，以及指南如何向用户解释这种不完美的权衡。

Mar, 2023

数据实践塑造了公平机器学习研究和实践。关键数据研究通过指出不足并提出改进建议，为该领域的负责前进提供了重要的反思和批评。本研究对公平机器学习数据集进行了全面分析，展示了不经思考的常见实践如何阻碍算法公平研究的覆盖率和可靠性。我们对表格数据集中编码的保护信息以及在 142 篇出版物的 280 个实验中的使用进行了系统研究，发现了三个主要问题：（1）数据和评估中某些保护属性的缺乏代表性；（2）数据预处理过程中普遍排除少数群体；以及（3）威胁公平性研究泛化的模糊数据处理。通过在显著数据集的利用上进行示范性分析，我们展示了不经思考的数据决策如何不成比例地影响少数群体、公平度量和模型比较结果。此外，我们还发现了公开可用数据的限制、隐私考虑以及普遍缺乏意识等补充因素，加剧了这些挑战。为了解决这些问题，我们提出了一套以透明和负责任包容为核心的数据使用建议。本研究强调了对公平机器学习中数据实践进行关键重新评估的必要性，并提供了改善数据的获取和使用的方向。

Apr, 2024

AI Fairness 领域存在多种理解和多样化的公平概念，对此，本文提出了一种基于上下文和以社会为中心的方法来帮助项目团队更好地识别、减轻和处理人工智能项目流程中出现的不公平偏见和歧视，并讨论了如何通过自我评估、风险管理和公平准则的文档化来实现 AI 公平原则。

Feb, 2024

数据分析和算法决策越来越影响我们生活的各个方面，因此有必要确保它们不成为歧视，不公平，社会正义和不公平源泉的工具。本文提出了一个明确的研究议程，旨在解决这些问题。重点包括：确定模型是否存在偏见，将公平意识纳入机器学习方法中，提高数据驱动和模型驱动决策的透明度和控制以及支持跨学科研究来解决这些问题

Jun, 2017

本文通过 35 个半结构化面谈和 267 个机器学习从业者的匿名调查，系统研究了商业产品团队开发公平的机器学习系统所面临的挑战和需求，发现了业界从业者面临的挑战及公平机器学习的研究文献中提出的解决方案之间的一些不协调之处，并提出了未来机器学习与人机交互研究的方向，以更好地满足产业从业者的需求。

Dec, 2018

本文提倡将多样性作为核心优先事项，以实现算法公平所追求的不歧视和公正目标，并为计算机科学的从业人员提供具体的多样性措施建议，以增加多样性，并提高算法公平的实践水平。

Feb, 2020

通过引入新的原则并与环境影响和同意相关，本文在探讨为进行公平、道德和可持续的 AI 研究而提出的交叉女权主义原则的基础上，阐述了女权主义对 AI 研究的重要性，并旨在解决 AI 研究中不平等、非民主、剥削和排斥力量，预防不安全、歧视或压迫性系统释放到世界上产生可预测的危害，并激发创造性、快乐和集体的方式，致力于建立一个更具公平、可持续的世界，让我们所有人都能蓬勃发展。

May, 2024

AI 实践者对 AI/ML 的公平性的理解、挑战、后果和策略以及进一步研究领域的识别，为确保 AI/ML 的公平性提供了宝贵的真实世界视角。

Mar, 2024