Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
Дискриминационный каскад в системах искусственного интеллекта публичного права: правовые механизмы противодействия
1. Список источников
2. Русскоязычные источники
3. Глушкова, С.И. и Летунов, Е.Д. (2020) 'Развитие нового поколения прав человека в эпоху цифровизации: цифровые права', Вестник Уральского юридического института МВД России, 4, с. 16–28.
4. Смирнова, А.И. (2023) 'Предвзятость как проблема алгоритмов ИИ: этические аспекты', Философия и общество, 3, с. 118–126. doi: 10.30884/jfio/2023.03.07.
5. Талапина, Э.В. (2022) 'Обработка данных при помощи искусственного интеллекта и риски дискриминации', Право. Журнал Высшей школы экономики, 15(1), с. 4–27. doi: 10.17323/2072-8166.2022.1.4.27.
6. Талапина, Э.В. (2025) 'Дискриминационный потенциал алгоритмов', Административное право и процесс, 2, с. 55–58. doi: 10.18572/2071-1166-2025-2-55-58.
7. Харитонова, Ю.С., Савина, В.С. и Паньини, Ф. (2021) 'Предвзятость алгоритмов искусственного интеллекта: вопросы этики и права', Вестник Пермского университета. Юридические науки, 3(53), с. 488–515. doi: 10.17072/1995-4190-2021-53-488-515.
8. Зарубежные источники
9. Barocas, S. and Selbst, A.D. (2016) 'Big Data’s Disparate Impact', California Law Review, 104(3), pp. 671–732.
10. Barocas, S., Hardt, M. and Narayanan, A. (2023) Fairness and Machine Learning: Limitations and Opportunities. Cambridge, Mass.: The MIT Press.
11. Ghai, B., Mishra, M. and Mueller, K. (2022) 'Cascaded Debiasing: Studying the Cumulative Effect of Multiple Fairness-Enhancing Interventions', in Proceedings of the 31st ACM International Conference on Information and Knowledge Management (CIKM 2022). New York: ACM, pp. 3875–3885. doi: 10.1145/3511808.3557155.
12. Grozdanovski, L. (2025) 'Non-discrimination law, the GDPR, the AI act and the - now withdrawn - AI liability directive proposal offering gateways to pre-trial knowledge of algorithmic discrimination', AI and Ethics, 5, pp. 5039–5062. doi: 10.1007/s43681-025-00754-0.
13. Holstein, K. et al. (2019) 'Improving Fairness in Machine Learning Systems: What Do Industry Practitioners Need?', in CHI '19: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. Art. 1. doi: 10.1145/3290605.3300830.
14. Kearns, M. et al. (2018) 'Preventing Fairness Gerrymandering: Auditing and Learning for Subgroup Fairness', in Proceedings of the 35th International Conference on Machine Learning (ICML 2018), pp. 2564–2572.
15. Sambasivan, N. et al. (2021) 'Re-imagining Algorithmic Fairness in India and Beyond', in FAccT ’21: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, pp. 315–328. doi: 10.1145/3442188.3445896.
16. Speicher, T. et al. (2018) 'A Unified Approach to Quantifying Algorithmic Unfairness: Measuring Individual & Group Unfairness via Inequality Indices', in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2018). New York: ACM, pp. 2239–2248. doi: 10.1145/3219819.3220046.
17. Suresh, H. and Guttag, J. (2021) 'A Framework for Understanding Sources of Harm throughout the Machine Learning Life Cycle', in Proceedings of EAAMO ’21: ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization, pp. 1–15. doi: 10.1145/3465416.3483305.
18. Veale, M. and Zuiderveen Borgesius, F. (2021) 'Demystifying the Draft EU Artificial Intelligence Act', Computer Law Review International, 22(4), pp. 97–112.
19. Voria, G. et al. (2024) A Catalog of Fairness-Aware Practices in Machine Learning Engineering. arXiv:2408.16683.
20. Wachter, S., Mittelstadt, B. and Floridi, L. (2017) 'Why a Right to Explanation of Automated Decision-Making Does Not Exist in the General Data Protection Regulation', International Data Privacy Law, 7(2), pp. 76–99.
