本文对高等教育中决策制定算法进行了系统性的综述，发现这些算法趋向于深度学习和对学生的个人数据和受保护属性的使用，但当前算法的发展普遍缺乏以人为中心的理论，参与式或推测性设计，并探讨了这些趋势所带来的挑战，主张采用以人为中心的方法。

Feb, 2023

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

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

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

本文研究了数据学习环境中机械化应用规则与情境性抉择之间的关系，阐述了数据视力的重要性并讨论了其对数据分析学习、研究和实践的作用。

Feb, 2020

使用机器学习的 AI 决策算法越来越普及，在诸如保释听证会、医疗诊断和招聘过程中使用。本文旨在通过探讨透明度和不透明性的因果解释，以及最近有关因果解释价值的工作，为算法的不透明性提出了一个道德关注点：当这些算法用于改变人们生活的决策时，它们会妨碍我们根据我们的目标和偏好有效地塑造自己的生活，从而削弱我们的自主权。作者认为这个问题值得密切关注，因为它为算法决策中的透明度提供了新的工具和新的挑战。

Sep, 2022

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

本文通过问卷调查的方式，探究了大数据在教育机构中的应用以及采用大数据和分析技术时的制约因素。

Jul, 2022

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

本研究提出算法印记的概念以及应对措施，通过对 2020 年英国高级教育普及证书学位高考的算法分级事件的分析来探讨算法对学生、教师和家长的影响和不公平性问题，并强调算法印记可以在基础架构、社会和个人层面得出，为设计更公平的算法和指导 AI 治理提供新的思路。

Jun, 2022