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

通过对 5 个经济合作与发展组织国家的 27 名公共部门机器学习从业者进行访谈，本文探讨了在算法决策应用，如税收、司法和儿童保护中如何理解和注入公共价值观。结果显示出在当前可用、透明和 “区分度感知” 的机器学习研究中，缺乏组织和机构现实、限制和需求，存在设计机会，如支持次要数据来源中概念漂移的追踪和构建可用的透明度工具，以识别风险并整合领域知识，旨在支持管理人员和公共服务的 “一线官僚”。我们最后概述了这些高风险应用中的伦理挑战和未来合作方向。

Feb, 2018

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

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

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

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

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

算法在歧视方面的可见性与不透明性的影响，以及其在歧视检测中提供重要透明度的需求，这也强调了算法在权衡竞争价值中的核心作用及其为公平带来积极作用的潜力。

Feb, 2019

应用研究论文探讨了人工智能加剧或减轻种族系统性不公对社会的影响。研究从识别、分析和辩论系统性问题的各个主题入手，调查了算法自动化处理种族敏感环境中的人类决策的优缺点。通过分析历史系统化模式、隐性偏见、现有算法风险和法律后果，指出基于自然语言处理的人工智能（如风险评估工具）存在种族不平等问题。论文得出结论：需要更多诉讼政策来规范和限制政府机构和企业如何利用算法，隐私和安全风险，审计要求，以避免过去的不公正结局和做法。

Jan, 2022