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

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

医学领域中人工智能（AI）的道德整合需要解决公平性这个高度依赖上下文的概念。本文通过详细的证据缺口分析，系统地指出了医疗数据和 AI 公平解决方案中存在的一些缺陷。我们强调了在许多医学领域中 AI 公平研究的稀缺性。此外，我们分析还凸显了对群体公平的重要依赖，旨在从宏观医疗系统的角度确保人口统计群体之间的平等；相比之下，对于更精细化程度上的个人公平性常常被忽视了。为了填补这些间隙，我们的综述为医疗和 AI 研究社区提出了可操作的策略。除了在医疗中应用现有的 AI 公平方法，我们进一步强调了将医疗专业人员纳入其中，以完善 AI 公平概念和方法，以确保 AI 在医疗领域中具有上下文相关性和道德健全性。

May, 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

本文总结和评估了追求人工智能系统公正性的各种方法和技术，提出了定义、衡量和预防人工智能偏见的实用指南，并针对评估人工智能系统偏见的一些简单但常见方法提出了更为复杂和有效的替代方案。此外它还提供了一个共同的语言来解决领域内普遍存在的争议和混乱。它描述了涉及人工智能公正性的各种权衡，并提供了实用建议来平衡这些权衡。本文提供了关于人工智能从业者、组织领导、政策制定者的讨论和指南，以及为技术观众提供更多相关资料的链接。通过举例清晰阐述了本文中所提到的概念、挑战和建议。

Jul, 2022

本文评估并比较了来自哲学、女性主义研究、批判性种族和民族研究、法律研究、人类学和科学技术研究等非计算学科的现有批评，旨在提供 ML 公正技术干预的跨学科理解，以此产生社会上最边缘化群体的公正结果，最后讨论了基于这些批评的未来 ML 公正研究方向。

May, 2022

讨论建立和推广符合伦理 AI 的实践中存在的实际挑战，包括监管压力、冲突商业目标、数据质量、开发过程、系统集成实践和规模问题，认为要考虑 AI 系统的全面运营上下文，才能有效应对这些伦理风险。

Aug, 2021

本研究探讨交叉性是如何应用于 AI Fairness 领域，并指出研究人员在这个应用方面所存在的概念和实践差距，并提出了关于如何改进这种状况的建议。

Mar, 2023

本文讨论了人工智能在医疗保健等高风险领域中的公平性问题，强调了技术与临床角度之间的不协调性，提出了跨学科合作的必要性，并为解决与人工智能公平性相关的临床问题提供了可能的解决方案。

Apr, 2023

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