SherbyNet - /page/wikibook/entry.mu

Micron Document

<!DOCTYPE html>

<title>Biais algorithmique</title>

</head>

<h1 id="firstHeading" class="firstHeading mw-first-heading">Biais algorithmique</h1>

</header>

</div>

Un biais algorithmique est le fait que le résultat d'un <a href="Algorithme" title="Algorithme">algorithme</a> ne soit pas neutre, loyal ou équitable, pour des raisons inconscientes ou délibérées de la part de ses auteurs.

Un biais algorithmique peut se produire lorsque les <a href="Donn%C3%A9e" title="Donnée">données</a> utilisées pour entraîner un algorithme d'<a href="Apprentissage_automatique" title="Apprentissage automatique">apprentissage automatique</a> reflètent un sous échantillon non représentatif et non exhaustif de la population générale, et donc potentiellement des caractéristiques ou des valeurs implicites des humains impliqués dans la collecte, la sélection, ou l'utilisation de ces données<a href="#cite_note-NissenbaumEmbody-1">[1]</a>. Les biais algorithmiques ont été identifiés et critiqués pour leur impact sur les résultats des moteurs de recherche<a href="#cite_note-IntronaNissenbaum-2">[2]</a>, les services de <a href="R%C3%A9seautage_social" class="mw-redirect" title="Réseautage social">réseautage social</a><a href="#cite_note-Crawford-3">[3]</a>, le respect de la <a href="Vie_priv%C3%A9e" title="Vie privée">vie privée</a><a href="#cite_note-Tufekci-4">[4]</a>, et le <a href="Profilage_racial" title="Profilage racial">profilage racial</a><a href="#cite_note-Nakamura1-5">[5]</a>. Ainsi, un biais peut être raciste, sexiste, culturel, générationnel, <a href="Biais_(distorsion)" title="Biais (distorsion)">social</a> ou autre<a href="#cite_note-SydellNPR-6">[6]</a>.

Le biais algorithmique peut être involontaire et ne procède pas nécessairement d’une volonté délibérée des concepteurs. Par conséquent, il est important d'avoir conscience que la conception et l'usage d'un algorithme peut reproduire ou amplifier certains biais. Cette problématique pose la question du manque de <a href="R%C3%A9trocontr%C3%B4le" class="mw-redirect" title="Rétrocontrôle">rétrocontrôle</a> des concepteurs, programmeurs et utilisateurs d'algorithmes<a href="#cite_note-7">[7]</a>.

<div class="mw-heading mw-heading2"><h2 id="Définitions">Définitions</h2></div>

Un <a href="Algorithme" title="Algorithme">algorithme</a> est biaisé lorsque son résultat n'est pas neutre, loyal ou équitable. Cette définition repose donc sur trois notions : la <a href="Neutralit%C3%A9" class="mw-disambig" title="Neutralité">neutralité</a>, la <a href="Loyaut%C3%A9" title="Loyauté">loyauté</a> et l'<a href="%C3%89quit%C3%A9" title="Équité">équité</a>. Les biais algorithmiques conduisent à des <a href="Discrimination" title="Discrimination">discriminations</a><a href="#cite_note-bertail-8">[8]</a>.

<div class="mw-heading mw-heading3"><h3 id="Équité_algorithmique">Équité algorithmique</h3></div>

Pour éviter que les algorithmes ne soient biaisés par absence d’équité, les chercheurs<a href="#cite_note-9">[9]</a> préconisent de développer des algorithmes qui respectent des principes d'<a href="%C3%89quit%C3%A9" title="Équité">équité</a><a href="#cite_note-bertail-8">[8]</a>,<a href="#cite_note-10">[10]</a>.

Cette approche suppose de définir l'équité. <a href="#Corbett-DaviesGoel2018">Corbett-Davies et Goel 2018</a> distinguent trois définitions<a href="#cite_note-11">[11]</a> :

<ul><li>l'anti-classification consiste à ne pas prendre en compte les variables susceptibles de discriminer (par exemple le genre ou la race)</li>

<li>la parité de classification consiste à faire en sorte que la <a href="Apprentissage_automatique" title="Apprentissage automatique"> performance du modèle</a>[Quoi ?] soit la même entre les différents groupes</li>

<li>la calibration consiste à faire en sorte que les résultats conditionnellement au risque estimé soient indépendants des différents groupes.[pas clair]</li></ul>

Hamilton (2016) distingue aussi l’équité individuelle et l’équité de groupe. L'équité individuelle garantit que les individus aux caractéristiques similaires soient pris en compte de la même manière tandis que l'équité de groupe garantit que les personnes de groupes différents soient prises en compte différemment<a href="#cite_note-12">[12]</a>.

Des mesures ont été préconisées pour quantifier l'équité d'un algorithme vis-à-vis d'individus ou de groupes<a href="#cite_note-13">[13]</a>.

<div class="mw-heading mw-heading3"><h3 id="Transparence_et_loyauté_algorithmique">Transparence et loyauté algorithmique</h3></div>

L'algorithme et son responsable doivent communiquer et informer les utilisateurs sur son fonctionnement. L'algorithme doit précisément « dire ce qu'il fait et faire ce qu'il dit » sans renforcer ou reproduire une quelconque discrimination<a href="#cite_note-14">[14]</a>,<a href="#cite_note-15">[15]</a>.

<div class="mw-heading mw-heading3"><h3 id="Neutralité_algorithmique">Neutralité algorithmique</h3></div>

La neutralité des algorithmes est l'idée selon laquelle les systèmes informatiques automatisés, comme les algorithmes, les réseaux de neurones et les systèmes décisionnels ne doivent pas introduire de biais ou de discrimination envers certaines personnes ou groupes de personnes <a href="#cite_note-16">[16]</a>. Cela signifie qu’ils doivent fonctionner de manière impartiale et traiter toutes les personnes de manière équitable, indépendamment de leur origine ethnique, leur genre, leur orientation sexuelle, leur religion, leur race. C'est un idéal à atteindre, et cela nécessite de lutter contre les biais et les discriminations algorithmiques au moyen de techniques comme l’évaluation des biais, la diversité des données, la transparence des algorithmes et l’interprétabilité pour s’assurer que les algorithmes sont équitables et non discriminatoires.

<div class="mw-heading mw-heading2"><h2 id="Origines">Origines</h2></div>

Les biais de l'algorithme peuvent résulter de <a href="Biais_cognitifs" class="mw-redirect" title="Biais cognitifs">biais cognitifs</a> du <a href="Data_scientist" class="mw-redirect" title="Data scientist">data scientist</a>, de biais statistiques liés notamment aux <a href="Jeux_d'entrainement%2C_de_validation_et_de_test" title="Jeux d'entrainement, de validation et de test">données d'apprentissage</a> ou de biais économiques<a href="#cite_note-bertail-8">[8]</a>. Ils affectent la justesse des décisions des machines.

<div class="mw-heading mw-heading3"><h3 id="Biais_des_data_scientists">Biais des data scientists</h3></div>

Les <a href="Data_scientist" class="mw-redirect" title="Data scientist">data scientists</a> qui développent des algorithmes peuvent être sujets à de nombreux <a href="Biais_cognitifs" class="mw-redirect" title="Biais cognitifs">biais cognitifs</a>. Parmi ceux-ci, le biais du <a href="Mouton_de_Panurge_(locution)" title="Mouton de Panurge (locution)">mouton de Panurge</a> consiste à utiliser une modélisation « consensuelle » sans s'assurer de sa pertinence dans un contexte donné. Le <a href="Biais_de_confirmation" title="Biais de confirmation">biais de confirmation</a> consiste à favoriser la vision du monde de la conceptrice sans prendre en compte les données qui ne vont pas dans son sens<a href="#cite_note-bertail-8">[8]</a>. Le biais social provient d’une influence extérieure au développeur<a href="#cite_note-LeMagIT-17">[17]</a>. Le biais de présentation, quant à lui, se réfère au design d’une interface qui incite à faire un choix, par exemple l'acceptation des cookies sur un site internet plutôt que leur refus<a href="#cite_note-LeMagIT-17">[17]</a>,<a href="#cite_note-18">[18]</a>[source secondaire souhaitée].

Les <a href="Data_scientist" class="mw-redirect" title="Data scientist">data scientists</a> qui développent des algorithmes ne sont pas représentatifs de la population générale. Une étude de l'<a href="AI_Now_Institute" title="AI Now Institute">institut AI Now</a> de 2018 souligne que seuls 15% du personnel de recherche en <a href="Intelligence_artificielle" title="Intelligence artificielle">intelligence artificielle</a> chez <a href="Facebook" title="Facebook">Facebook</a> et 10% chez <a href="Google" title="Google">Google</a> sont des femmes<a href="#cite_note-19">[19]</a>,<a href="#cite_note-power-20">[20]</a>.

La surreprésentation des hommes blancs parmi les data scientists et la sous-représentation des minorités peut conduire les <a href="Data_scientist" class="mw-redirect" title="Data scientist">data scientists</a> à ne pas assez prendre en compte les biais et les discriminations potentiels. <a href="#D'IgnazioKlein2020">D'Ignazio et Klein 2020</a> appellent cela le « risque de privilège » (privilege hazard)<a href="#cite_note-power-20">[20]</a>. Les algorithmes seraient alors biaisés du fait de leurs concepteurs et pourraient être discriminants, voir racistes.

<div class="mw-heading mw-heading3"><h3 id="Biais_statistiques">Biais statistiques</h3></div>

Les biais statistiques peuvent provenir des données contenues en entrée de l'algorithme ou de l'algorithme lui même<a href="#cite_note-bertail-8">[8]</a>. Les résultats ne fourniront donc pas une représentation exacte de la population et seront erronés.

En 2015, un algorithme d'évaluation de curriculum vitæ développé par Amazon a été retiré quand on s'est aperçu qu'il discriminait fortement[pourquoi ?] les CV féminins<a href="#cite_note-bertail-8">[8]</a>,<a href="#cite_note-21">[21]</a>.

Les <a href="Biais_(statistique)" title="Biais (statistique)">biais</a> peuvent aussi venir de la méthode statistique. Ils sont issus des données fournies en entrée de l’algorithmique en raison de leur qualité ou représentativité, ou du modèle prédictif. Par exemple, le biais de variable omise découle de l’absence de variables pertinentes dans un modèle pouvant rendre ce modèle inutilisable. Dans le <a href="Biais_d'%C3%A9chantillonnage" class="mw-redirect" title="Biais d'échantillonnage">biais d'échantillonnage</a>, l’échantillon du test n’est pas représentatif de la réalité. Le <a href="Biais_de_s%C3%A9lection" title="Biais de sélection">biais de sélection</a> se produit quand la sélection de données est erronée et que le travail s’opère avec un sous-ensemble spécifique du groupe et non un sous-ensemble aléatoire. Le biais d'endogénéité implique que les variables endogènes sont déterminées au sein du modèle et sont corrélées avec le terme d’erreur, ce qui conduit à l’estimation de paramètres biaisés<a href="#cite_note-bertail-8">[8]</a>. Le biais temporel apparaît lorsque le comportement de l’utilisateur change très rapidement, par exemple dans l’effet d’accoutumance à une publicité<a href="#cite_note-LeMagIT-17">[17]</a>. Le biais d’évaluation met en cause le modèle évalué selon une référence inappropriée<a href="#cite_note-LeMagIT-17">[17]</a>. Le biais d’agrégation implique un modèle jugé sur sa performance globale<a href="#cite_note-LeMagIT-17">[17]</a>. Le biais historique consiste à répéter un biais qui était déjà présent<a href="#cite_note-LeMagIT-17">[17]</a>.

<div class="mw-heading mw-heading3"><h3 id="Biais_économiques">Biais économiques</h3></div>

Les biais économiques touchent les marchés, ils sont liés aux incitations économiques émanant d’un objectif financier par une entreprise qui se développe. Un algorithme peut donc être fondé sur une stratégie commerciale constituant volontairement ou involontairement un biais. Ainsi l’optimisation du rapport coût-efficacité de la diffusion d’offres d’emploi, qui vise à minimiser les coûts de recrutement pour une entreprise, a mené à discriminer les femmes<a href="#cite_note-22">[22]</a>,<a href="#cite_note-bertail-8">[8]</a>,<a href="#cite_note-23">[23]</a>.

Les biais économiques sont en partie la conséquence des économies que l'investisseur souhaite faire dans la réalisation du projet.

<div class="mw-heading mw-heading2"><h2 id="Biais_algorithmiques_par_domaine_d'application">Biais algorithmiques par domaine d'application</h2></div>

<div class="mw-heading mw-heading3"><h3 id="Plongements_lexicaux">Plongements lexicaux</h3></div>

Les modèles de <a href="Word_embedding" title="Word embedding">word embeddings</a> (plongements lexicaux) peuvent reproduire les biais psychologiques humains.

<a href="#CaliskanBrysonNarayanan2017">Caliskan, Bryson et Narayanan 2017</a> étudient le modèle de plongement vectoriel GloVe <a href="https://en.wikipedia.org/wiki/GloVe_(machine_learning)" class="extiw external" title="en:GloVe (machine learning)">(en)</a> et montrent que l'on retrouve des associations implicites entre des mots porteuses de préjugés. Ils proposent une méthode de mesure des préjugés inspirée du <a href="Test_d'association_implicite" title="Test d'association implicite">test d'association implicite</a><a href="#cite_note-24">[24]</a>.

<div class="mw-heading mw-heading3"><h3 id="Reconnaissance_faciale">Reconnaissance faciale</h3></div>

Selon <a href="#BuolamwiniGebru2018">Buolamwini et Gebru 2018</a>, les femmes sont moins facilement reconnues par les logiciels de reconnaissance faciale d'<a href="IBM" title="IBM">IBM</a>, <a href="Microsoft" title="Microsoft">Microsoft</a> et Face ++. Sur 1270 portraits officiels de personnalités politiques qui leur ont été soumis, Face ++ a vu juste pour 99,3% des hommes, mais seulement 78,7% des femmes. Ainsi, 95,9% des erreurs de l'entreprise concernaient des femmes<a href="#cite_note-25">[25]</a>,<a href="#cite_note-26">[26]</a>.

« Les hommes à la peau claire sont surreprésentés [dans les bases de données des exemples], et aussi les personnes à la peau claire de manière générale, utilisées par les systèmes de <a href="Reconnaissance_faciale" class="mw-redirect" title="Reconnaissance faciale">reconnaissance faciale</a><a href="#cite_note-27">[27]</a>. » Ces différences peuvent entraîner des erreurs telles que l’identification erronée d’un acheteur en tant que voleur à l’étalage. En 2019, une étude réalisée par le <a href="Government_Accountability_Office" title="Government Accountability Office">Government Accountability Office</a> des États-Unis sur 189 algorithmes de reconnaissance faciale utilisés dans le milieu commercial a conclu que les hommes blancs avaient le plus faible taux de faux positifs, tandis que celui des femmes noires était près de dix fois supérieur.

<div class="mw-heading mw-heading3"><h3 id="Algorithmes_de_recommandation">Algorithmes de recommandation</h3></div>

Les <a href="Syst%C3%A8me_de_recommandation" title="Système de recommandation">algorithmes de recommandation</a> peuvent conduire à des résultats biaisés vers certains contenus.

Par exemple, les travaux de <a href="R%C3%A9tro-ing%C3%A9nierie" title="Rétro-ingénierie">rétro-ingénierie</a> sur l'algorithme de recommandation de <a href="YouTube" title="YouTube">YouTube</a> mené par Guillaume Chaslot et l'association Algotransparency montrent que l'algorithme a tendance à favoriser les contenus à caractère complotistes<a href="#cite_note-guardian-28">[28]</a>.

<div class="mw-heading mw-heading3"><h3 id="Agents_conversationnels">Agents conversationnels</h3></div>

En 2016, l'<a href="Agent_conversationnel" class="mw-redirect" title="Agent conversationnel">agent conversationnel</a> <a href="Tay_(intelligence_artificielle)" title="Tay (intelligence artificielle)">Tay</a> développé par <a href="Microsoft" title="Microsoft">Microsoft</a> et déployé sur <a href="Twitter" class="mw-redirect" title="Twitter">Twitter</a> a dû être retiré après 24 heures à la suite de la tenue de propos à caractère raciste<a href="#cite_note-29">[29]</a>.

<div class="mw-heading mw-heading3"><h3 id="Justice_prédictive">Justice prédictive</h3></div>

Dans certains états américains, la <a href="Juge_des_libert%C3%A9s_et_de_la_d%C3%A9tention" title="Juge des libertés et de la détention">justice des libertés et de la détention</a> appuie ses décisions de libération anticipée des détenus, sur des algorithmes d'évaluation du risque ; on appelle cela la <a href="Justice_pr%C3%A9dictive" title="Justice prédictive">justice prédictive</a>. En 2016, une enquête de l'<a href="Organisation_non_gouvernementale" title="Organisation non gouvernementale">ONG</a> <a href="ProPublica" title="ProPublica">ProPublica</a> a mis en évidence que l'algorithme de la société Northpointe, bien que ses concepteurs affirment ne pas prendre directement en compte la race, avait un biais raciste<a href="#cite_note-30">[30]</a>,<a href="#cite_note-datafeminism2-31">[31]</a>.

<div class="mw-heading mw-heading2"><h2 id="Lutte_contre_le_biais_algorithmique">Lutte contre le biais algorithmique</h2></div>

Il existe plusieurs possibilités pour lutter contre le biais algorithmique. Selon <a href="TechCrunch" title="TechCrunch">TechCrunch</a>, il faudrait créer des bases de données partagées et règlementées qui empêcheraient les individus de manipuler les données[réf. nécessaire]. En effet, en admettant que « l'intelligence coïncide avec l'absence de préjugés »[réf. nécessaire], les algorithmes ne sont pas encore assez intelligents, donc exempts de préjugés, pour se corriger eux-mêmes. En attendant qu'ils en soient capables, il faut donc que des humains, conscients de ce qu'est un préjugé, les contrôlent afin d'éviter qu'ils n'aggravent les biais potentiellement déjà présents dans les données avec lesquelles ils sont entraînés<a href="#cite_note-32">[32]</a>.

L’une des principales difficultés de la lutte contre le biais algorithmique est l’opacité du fonctionnement des algorithmes<a href="#cite_note-33">[33]</a>. Cette opacité peut avoir quatre origines<a href="#cite_note-34">[34]</a> ; le secret intentionnellement mis en place par les entreprises qui veulent protéger leur propriété intellectuelle, l’inculture des utilisateurs et des chercheurs, mais aussi le fait qu'avec leur évolution au cours du temps certains algorithmes deviennent illisibles du fait de leur complexité et enfin le gigantisme de certains algorithmes, notamment ceux des grands services en lignes<a href="#cite_note-35">[35]</a>. Si certains chercheurs ont essayé de développer des méthodes pour améliorer la transparence<a href="#cite_note-36">[36]</a>, d’autres, comme <a href="Shoshana_Zuboff" title="Shoshana Zuboff">Shoshana Zuboff</a> et <a href="Ruha_Benjamin" title="Ruha Benjamin">Ruha Benjamin</a>, affirment que les algorithmes ne peuvent pas être approchés comme des objets isolés, mais plutôt comme faisant partie de grands assemblages culturels et socio-techniques<a href="#cite_note-37">[37]</a>.

<div class="mw-heading mw-heading3"><h3 id="Audit_des_algorithmes_et_rétro_ingénierie">Audit des algorithmes et rétro ingénierie</h3></div>

Pour documenter les biais algorithmiques, il faut pouvoir les <a href="Audit" title="Audit">auditer</a>. Pour cela, <a href="#AngwinLarsonMattuKirchner2016">Angwin <abbr class="abbr" title="et alii (« et d’autres »)" lang="la">et al.</abbr> 2016</a> ont collecté des données et développé leur propre modèle pour être en mesure de mettre en évidence, le biais de l'algorithme d'évaluation des risques de récidive<a href="#cite_note-datafeminism2-31">[31]</a>.

<div class="mw-heading mw-heading3"><h3 id="Théorie_critique_et_approches_ethnographiques">Théorie critique et approches ethnographiques</h3></div>

D'après la sociologue Angèle Christin, il existe, avec les audits, deux autres façons d’aborder le problème du biais algorithmique<a href="#cite_note-38">[38]</a>. La première est l’approche historique et culturelle. Elle consiste en une reconsidération des évènements de biais algorithmique dans des séquences plus longues en s’appuyant sur la <a href="https://en.wikipedia.org/wiki/Critical_theory" class="extiw external" title="en:Critical theory">sociologie critique</a>. Les algorithmes reproduiraient des structures préexistantes de <a href="Discrimination" title="Discrimination">discrimination</a><a href="#cite_note-39">[39]</a>, <a href="Surveillance" title="Surveillance">surveillance</a><a href="#cite_note-40">[40]</a> et de <a href="Marchandisation" title="Marchandisation">marchandisation</a><a href="#cite_note-41">[41]</a>. La seconde est l’approche ethnographique. Elle permet d’un coté de déterminer quelles forces structurelles permettent l’émergence de biais et de l’autre côté, considérer comment les algorithmes sont influencés par leurs usages quotidiens. Angèle Christin propose trois méthodes dans le cadre de cette approche pour étudier les algorithmes. Algorithmic refraction consiste en l’examen des reconfigurations qui ont lieu pendant l’usage des algorithmes et leur interaction avec le public et les institutions ; algorithmic comparaison est l’analyse de différents usages d’un même algorithme dans différents domaines pour comprendre l’émergence de biais dans les différences d’applications et de fonctionnement ; enfin, algorithmic triangulation repose sur l’usage d’algorithmes secondaires pour recueillir des données sur l’algorithme étudié.

<div class="mw-heading mw-heading2"><h2 id="Régulations">Régulations</h2></div>

<div class="mw-heading mw-heading3"><h3 id="États-Unis">États-Unis</h3></div>

Les <a href="%C3%89tats-Unis" title="États-Unis">États-Unis</a> n'ont pas de législation d'ensemble qui régule les biais algorithmiques. Le traitement de cette question peut se faire à l'échelle fédérale ou à l'échelle d'un état, et varie selon les secteurs, selon l'utilisation qui en est faite et selon l'industrie ou l'administration concernée. En 2017, la ville de <a href="New_York" title="New York">New York</a> a voté une loi instituant une commission contrôlant l'utilisation des algorithmes dans la ville<a href="#cite_note-42">[42]</a>.

<div class="mw-heading mw-heading3"><h3 id="Union_européenne">Union européenne</h3></div>

L’Union européenne a plusieurs normes éthiques sur l’utilisation de l’intelligence artificielle. Le <a href="R%C3%A8glement_sur_l'intelligence_artificielle_(Union_europ%C3%A9enne)" title="Règlement sur l'intelligence artificielle (Union européenne)">règlement sur l'intelligence artificielle</a> (AI Act), publié le <time class="nowrap" datetime="2024-07-12" data-sort-value="2024-07-12">12 juillet 2024</time><a href="#cite_note-43">[43]</a>, intègre la prévention des biais algorithmiques pouvant altérer l’équité des décisions judiciaires et protège les droits fondamentaux.

<div class="mw-heading mw-heading3"><h3 id="Chine">Chine</h3></div>

<div class="mw-heading mw-heading2"><h2 id="Critiques">Critiques</h2></div>

Dans une tribune publiée sur le site de la revue Data & Society, la chercheuse Kinjal Dave critique l'usage du terme biais pour désigner les préjudices des algorithmes. Selon elle, le terme de biais issu de la <a href="Psychologie_sociale" title="Psychologie sociale">psychologie sociale</a> renvoie à une imperfection de l'individu alors que les algorithmes constitueraient selon elle des forces institutionnelles<a href="#cite_note-44">[44]</a>.

<a href="#D'IgnazioKlein2020">D'Ignazio et Klein 2020</a> reprennent aussi cette critique. Pour elles, parler de biais algorithmique et laisser croire que l'on pourrait corriger ces biais relèverait de la diversion. Plutôt que de parler de biais, elles préfèrent parler d'oppression<a href="#cite_note-datafeminism2-31">[31]</a>.

<div class="mw-heading mw-heading2"><h2 id="Bibliographie">Bibliographie</h2></div>

<ul><li>Michael Rovatsos, Brent Mittelstadt et Ansgar Koene, Landscape summary: bias in algorithmic decision-making, Centre for Data Ethics and Innovation, <a rel="nofollow" class="external text" href="https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/819055/Landscape_Summary_-_Bias_in_Algorithmic_Decision-Making.pdf">pdf</a>, 2019</li>

<li>Algorithme, contrôle des biais S. V. P., rapport de l'<a href="Institut_Montaigne" title="Institut Montaigne">Institut Montaigne</a>, Mars 2020, <a rel="nofollow" class="external text" href="https://www.institutmontaigne.org/publications/algorithmes-controle-des-biais-svp">lire en ligne</a></li></ul>

<div class="mw-heading mw-heading2"><h2 id="Filmographie">Filmographie</h2></div>

<ul><li>2020 : Coded bias réalisé par Shalini Kantayya<a href="#cite_note-45">[45]</a></li></ul>

<div class="mw-heading mw-heading2"><h2 id="Voir_aussi">Voir aussi</h2></div>

<ul><li><a href="Apprentissage_automatique" title="Apprentissage automatique">Apprentissage automatique</a></li>

<li><a href="Biais_d'automatisation" title="Biais d'automatisation">Biais d'automatisation</a></li>

<li><a href="Correction_d'un_algorithme" title="Correction d'un algorithme">Correction d'un algorithme</a></li>

<li><a href="%C3%89thique_de_l'intelligence_artificielle" title="Éthique de l'intelligence artificielle">Éthique de l'intelligence artificielle</a></li>

<li><a href="%C3%89galisation_des_chances_(informatique)" title="Égalisation des chances (informatique)">Égalisation des chances (informatique)</a></li>

<li><a href="Reconnaissance_faciale" class="mw-redirect" title="Reconnaissance faciale">Reconnaissance faciale</a></li>

<li><a href="R%C3%A8glement_sur_l'intelligence_artificielle_(Union_europ%C3%A9enne)" title="Règlement sur l'intelligence artificielle (Union européenne)">Règlement sur l'intelligence artificielle (Union européenne)</a></li>

<li><a href="Vid%C3%A9o_surveillance" class="mw-redirect" title="Vidéo surveillance">Vidéo surveillance</a></li></ul>

<div class="mw-heading mw-heading2"><h2 id="Notes_et_références">Notes et références</h2></div>

<li id="cite_note-NissenbaumEmbody-1"><a href="#cite_ref-NissenbaumEmbody_1-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Helen Nissenbaum, « <cite style="font-style:normal" lang="en">How computer systems embody values</cite> », Computer, <abbr class="abbr" title="volume">vol.</abbr> 34, <abbr class="abbr" title="numéro">no</abbr> 3,‎ <time class="nowrap" datetime="2001-03" data-sort-value="2001-03">mars 2001</time>, <abbr class="abbr" title="pages">p.</abbr> 120–119 (<a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1109/2.910905">10.1109/2.910905</a>, <a rel="nofollow" class="external text" href="https://www.nyu.edu/projects/nissenbaum/papers/embodyvalues.pdf">lire en ligne</a>, consulté le <time class="nowrap" datetime="2017-11-17" data-sort-value="2017-11-17">17 novembre 2017</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=How+computer+systems+embody+values&rft.jtitle=Computer&rft.issue=3&rft.aulast=Nissenbaum&rft.aufirst=Helen&rft.date=2001-03&rft.volume=34&rft.pages=120%E2%80%93119&rft_id=info%3Adoi%2F10.1109%2F2.910905&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-IntronaNissenbaum-2"><a href="#cite_ref-IntronaNissenbaum_2-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Lucas Introna et Helen Nissenbaum, « <cite style="font-style:normal" lang="en">Defining the Web: the politics of search engines</cite> », Computer, <abbr class="abbr" title="volume">vol.</abbr> 33, <abbr class="abbr" title="numéro">no</abbr> 1,‎ <time>2000</time>, <abbr class="abbr" title="pages">p.</abbr> 54–62 (<a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1109/2.816269">10.1109/2.816269</a>, <a rel="nofollow" class="external text" href="http://www.nyu.edu/projects/nissenbaum/papers/Defining%20the%20Web.pdf">lire en ligne</a>, consulté le <time class="nowrap" datetime="2017-11-17" data-sort-value="2017-11-17">17 novembre 2017</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Defining+the+Web%3A+the+politics+of+search+engines&rft.jtitle=Computer&rft.issue=1&rft.aulast=Introna&rft.aufirst=Lucas&rft.au=Nissenbaum%2C+Helen&rft.date=2000&rft.volume=33&rft.pages=54%E2%80%9362&rft_id=info%3Adoi%2F10.1109%2F2.816269&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-Crawford-3"><a href="#cite_ref-Crawford_3-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> <a href="Kate_Crawford" title="Kate Crawford">Kate Crawford</a>, « <cite style="font-style:normal" lang="en">Can an Algorithm be Agonistic? Ten Scenes from Life in Calculated Publics</cite> », Science, Technology, & Human Values, <abbr class="abbr" title="volume">vol.</abbr> 41, <abbr class="abbr" title="numéro">no</abbr> 1,‎ <time class="nowrap" datetime="2015-06-24" data-sort-value="2015-06-24">24 juin 2015</time>, <abbr class="abbr" title="pages">p.</abbr> 77–92 (<a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1177/0162243915589635">10.1177/0162243915589635</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Can+an+Algorithm+be+Agonistic%3F+Ten+Scenes+from+Life+in+Calculated+Publics&rft.jtitle=Science%2C+Technology%2C+%26+Human+Values&rft.issue=1&rft.aulast=Crawford&rft.aufirst=Kate&rft.date=2015-06-24&rft.volume=41&rft.pages=77%E2%80%9392&rft_id=info%3Adoi%2F10.1177%2F0162243915589635&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-Tufekci-4"><a href="#cite_ref-Tufekci_4-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> <a href="Zeynep_Tufekci" class="mw-redirect" title="Zeynep Tufekci">Zeynep Tufekci</a>, « <cite style="font-style:normal" lang="en">Algorithmic Harms beyond Facebook and Google: Emergent Challenges of Computational Agency</cite> », Colorado Technology Law Journal Symposium Essays, <abbr class="abbr" title="volume">vol.</abbr> 13,‎ <time>2015</time>, <abbr class="abbr" title="pages">p.</abbr> 203–216 (<a rel="nofollow" class="external text" href="http://heinonline.org/HOL/LandingPage?handle=hein.journals/jtelhtel13&div=18&id=&page=">lire en ligne</a>, consulté le <time class="nowrap" datetime="2017-11-17" data-sort-value="2017-11-17">17 novembre 2017</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Algorithmic+Harms+beyond+Facebook+and+Google%3A+Emergent+Challenges+of+Computational+Agency&rft.jtitle=Colorado+Technology+Law+Journal+Symposium+Essays&rft.aulast=Tufekci&rft.aufirst=Zeynep&rft.date=2015&rft.volume=13&rft.pages=203%E2%80%93216&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-Nakamura1-5"><a href="#cite_ref-Nakamura1_5-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Lisa Nakamura, <cite class="italique" lang="en">The new media of surveillance</cite>, Londres, Routledge, <time>2009</time>, 149–162 <abbr class="abbr" title="pages">p.</abbr> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-0-415-56812-8)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=The+new+media+of+surveillance&rft.place=Londres&rft.pub=Routledge&rft.aulast=Nakamura&rft.aufirst=Lisa&rft.date=2009&rft.tpages=149%E2%80%93162&rft.isbn=978-0-415-56812-8&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-SydellNPR-6"><a href="#cite_ref-SydellNPR_6-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Laura Sydell, « <a rel="nofollow" class="external text" href="https://www.npr.org/2016/03/14/470427605/can-computers-be-racist-the-human-like-bias-of-algorithms"><cite style="font-style:normal;" lang="en">Can Computers Be Racist? The Human-Like Bias Of Algorithms</cite></a> », sur NPR.org, National Public Radio / All Things Considered (consulté le <time class="nowrap" datetime="2017-11-17" data-sort-value="2017-11-17">17 novembre 2017</time>).

</li>

<li id="cite_note-7"><a href="#cite_ref-7">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Paul Lewis, « <cite style="font-style:normal" lang="en">‘Our minds can be hijacked’: the tech insiders who fear a smartphone dystopia</cite> », Daily,‎ <time>2017</time><span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E2%80%98Our+minds+can+be+hijacked%E2%80%99%3A+the+tech+insiders+who+fear+a+smartphone+dystopia&rft.jtitle=Daily&rft.aulast=Lewis&rft.aufirst=Paul&rft.date=2017&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-bertail-8">Patrice Bertail, David Bounie, Stephan Clémençon et Patrick Waelbroeck, « <a rel="nofollow" class="external text" href="https://www.telecom-paris.fr/wp-content-EvDsK19/uploads/2019/02/Algorithmes-Biais-discrimination-equite.pdf"><cite style="font-style:normal;">Algorithmes : biais, discrimination et équité</cite></a> » <abbr class="abbr indicateur-format format-pdf" title="Document au format Portable Document Format (PDF) d'Adobe">[PDF]</abbr>, sur telecom-paris.fr, <time class="nowrap" datetime="2019-02" data-sort-value="2019-02">février 2019</time> (consulté le <time class="nowrap" datetime="2020-07-14" data-sort-value="2020-07-14">14 juillet 2020</time>).

</li>

<li id="cite_note-9"><a href="#cite_ref-9">↑</a> <a href="#Pedreshi2008">Pedreshi 2008</a>.

</li>

<li id="cite_note-10"><a href="#cite_ref-10">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Pedreshi, « <cite style="font-style:normal" lang="en">Discrimination-aware data mining</cite> », Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining,‎ <time>2008</time> (<a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1145/1401890.1401959">10.1145/1401890.1401959</a>, <a rel="nofollow" class="external text" href="https://dl.acm.org/doi/abs/10.1145/1401890.1401959">lire en ligne</a>, consulté le <time class="nowrap" datetime="2020-07-14" data-sort-value="2020-07-14">14 juillet 2020</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Discrimination-aware+data+mining&rft.jtitle=Proceedings+of+the+14th+ACM+SIGKDD+international+conference+on+Knowledge+discovery+and+data+mining&rft.aulast=Pedreshi&rft.date=2008&rft_id=info%3Adoi%2F10.1145%2F1401890.1401959&rft_id=https%3A%2F%2Fdl.acm.org%2Fdoi%2Fabs%2F10.1145%2F1401890.1401959&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-11"><a href="#cite_ref-11">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Sam Corbett-Davies et Sharad Goel, « <cite style="font-style:normal" lang="en">The Measure and Mismeasure of Fairness: A Critical Review of Fair Machine Learning</cite> », Arxiv.org,‎ <time>2018</time> (<a rel="nofollow" class="external text" href="https://arxiv.org/abs/1808.00023">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=The+Measure+and+Mismeasure+of+Fairness%3A+A+Critical+Review+of+Fair+Machine+Learning&rft.jtitle=Arxiv.org&rft.aulast=Corbett-Davies&rft.aufirst=Sam&rft.au=Goel%2C+Sharad&rft.date=2018&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-12"><a href="#cite_ref-12">↑</a> Evan Hamilton, Benchmarking Four Approaches to Fairness-Aware Machine Learning, Haverford College Computer Science, 2016

</li>

<li id="cite_note-13"><a href="#cite_ref-13">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Alessandro Castelnovo, Riccardo Crupi, Greta Greco et Daniele Regoli, « <cite style="font-style:normal" lang="en">A clarification of the nuances in the fairness metrics landscape</cite> », Scientific Reports, <abbr class="abbr" title="volume">vol.</abbr> 12, <abbr class="abbr" title="numéro">no</abbr> 1,‎ <time class="nowrap" datetime="2022-03-10" data-sort-value="2022-03-10">10 mars 2022</time>, <abbr class="abbr" title="page">p.</abbr> 4209 (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/2045-2322">2045-2322</a>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1038/s41598-022-07939-1">10.1038/s41598-022-07939-1</a>, <a rel="nofollow" class="external text" href="https://www.nature.com/articles/s41598-022-07939-1">lire en ligne</a>, consulté le <time class="nowrap" datetime="2023-08-19" data-sort-value="2023-08-19">19 août 2023</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=A+clarification+of+the+nuances+in+the+fairness+metrics+landscape&rft.jtitle=Scientific+Reports&rft.issue=1&rft.aulast=Castelnovo&rft.aufirst=Alessandro&rft.au=Crupi%2C+Riccardo&rft.au=Greco%2C+Greta&rft.au=Regoli%2C+Daniele&rft.date=2022-03-10&rft.volume=12&rft.pages=4209&rft.issn=2045-2322&rft_id=info%3Adoi%2F10.1038%2Fs41598-022-07939-1&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-14"><a href="#cite_ref-14">↑</a> Christine Chevret-Castellani et Sarah Labelle, « <cite style="font-style:normal">Transparence et loyauté, deux motifs de la régulation des algorithmes</cite> », Terminal. Technologie de l'information, culture & société, <abbr class="abbr" title="numéro">no</abbr> 124,‎ <time class="nowrap" datetime="2019-07-08" data-sort-value="2019-07-08">8 juillet 2019</time> (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/0997-5551">0997-5551</a>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.4000/terminal.4064">10.4000/terminal.4064</a>, <a rel="nofollow" class="external text" href="https://journals.openedition.org/terminal/4064">lire en ligne</a>, consulté le <time class="nowrap" datetime="2024-03-30" data-sort-value="2024-03-30">30 mars 2024</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Transparence+et+loyaut%C3%A9%2C+deux+motifs+de+la+r%C3%A9gulation+des+algorithmes&rft.jtitle=Terminal.+Technologie+de+l%27information%2C+culture+%26+soci%C3%A9t%C3%A9&rft.issue=124&rft.aulast=Chevret-Castellani&rft.aufirst=Christine&rft.au=Labelle%2C+Sarah&rft.date=2019-07-08&rft.issn=0997-5551&rft_id=info%3Adoi%2F10.4000%2Fterminal.4064&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-15"><a href="#cite_ref-15">↑</a> « <a rel="nofollow" class="external text" href="https://www.editions-legislatives.fr/actualite/loyaute-et-vigilance-de-nouveaux-principes-pour-les-algorithmes-de-recommandation/"><cite style="font-style:normal;">Loyauté et vigilance : de nouveaux principes pour les algorithmes de recommandation ?</cite></a> », sur www.editions-legislatives.fr, <time class="nowrap" datetime="2018-01-25" data-sort-value="2018-01-25">25 janvier 2018</time> (consulté le <time class="nowrap" datetime="2024-03-30" data-sort-value="2024-03-30">30 mars 2024</time>).

</li>

<li id="cite_note-16"><a href="#cite_ref-16">↑</a> Lise BUJON, « <a rel="nofollow" class="external text" href="https://cyberjustice.blog/2023/01/25/les-algorithmes-sont-ils-neutres/"><cite style="font-style:normal;">Blog Cyberjustice - Les algorithmes sont- ils neutres ?</cite></a> », sur Blog Cyberjustice, <time class="nowrap" datetime="2023-01-25" data-sort-value="2023-01-25">25 janvier 2023</time> (consulté le <time class="nowrap" datetime="2024-03-30" data-sort-value="2024-03-30">30 mars 2024</time>).

</li>

<li id="cite_note-LeMagIT-17">Gaétan Raoul, <a rel="nofollow" class="external text" href="https://www.lemagit.fr/conseil/Biais-dans-lIA-une-cartographie-necessaire-pour-tenter-de-les-corriger">Biais dans l’IA : une cartographie nécessaire pour tenter de les corriger</a>, LeMagIT, 9 mars 2021.

</li>

<li id="cite_note-18"><a href="#cite_ref-18">↑</a> Quantmetry, « <a rel="nofollow" class="external text" href="https://www.quantmetry.com/glossaire/biais-algorithmique/"><cite style="font-style:normal;">Biais algorithmiques</cite></a> ».

</li>

<li id="cite_note-19"><a href="#cite_ref-19">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Sarah West Myers, Meredith Whittaker et Kate Crawford. “Discriminating Systems: Gender, Race and Power in AI,” AI Now Institute, 2019, <a rel="nofollow" class="external free" href="https://ainowinstitute.org/discriminatingsystems.pdf">https://ainowinstitute.org/discriminatingsystems.pdf</a>.

</li>

<li id="cite_note-power-20"><abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Catherine D'Ignazio et Lauren F. Klein, <cite style="font-style:normal" lang="en">« 1. The Power Chapter »</cite>, dans <cite class="italique" lang="en">Data Feminism</cite>, MIT Press, <time>2020</time> (<a rel="nofollow" class="external text" href="https://data-feminism.mitpress.mit.edu/pub/vi8obxh7/release/3#data-science-by-whom">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=bookitem&rft.btitle=Data+Feminism&rft.atitle=1.+The+Power+Chapter&rft.pub=MIT+Press&rft.aulast=D%27Ignazio&rft.aufirst=Catherine&rft.au=Klein%2C+Lauren+F.&rft.date=2020&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-21"><a href="#cite_ref-21">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Jeffrey Dastin, « <a rel="nofollow" class="external text" href="https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G#_blank"><cite style="font-style:normal;" lang="en">Amazon scraps secret AI recruiting tool that showed bias against women</cite></a> », sur <a href="Reuters" title="Reuters">Reuters</a>, <time class="nowrap" datetime="2018-10-10" data-sort-value="2018-10-10">10 octobre 2018</time> (consulté le <time class="nowrap" datetime="2020-07-14" data-sort-value="2020-07-14">14 juillet 2020</time>).

</li>

<li id="cite_note-22"><a href="#cite_ref-22">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Anja Lambrecht et Catherine Tucker, « <cite style="font-style:normal" lang="en">Algorithmic discrimination ? : apparent algorithmic bias in the serving of stem ads</cite> », Unpublished manuscript, <a href="Massachusetts_Institute_of_Technology" title="Massachusetts Institute of Technology">Massachusetts Institute of Technology</a>,‎ <time>2017</time><span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Algorithmic+discrimination+%3F&rft.jtitle=Unpublished+manuscript&rft.stitle=apparent+algorithmic+bias+in+the+serving+of+stem+ads&rft.aulast=Lambrecht&rft.aufirst=Anja&rft.au=Tucker%2C+Catherine&rft.date=2017&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-23"><a href="#cite_ref-23">↑</a> <a href="Institut_Montaigne" title="Institut Montaigne">Institut Montaigne</a>, « <a rel="nofollow" class="external text" href="https://www.institutmontaigne.org/ressources/pdfs/publications/algorithmes-controle-des-biais-svp.pdf"><cite style="font-style:normal;">Algorithmes : contrôle des biais S.V.P.</cite></a> » <abbr class="abbr indicateur-format format-pdf" title="Document au format Portable Document Format (PDF) d'Adobe">[PDF]</abbr>, <time class="nowrap" datetime="2020-03" data-sort-value="2020-03">mars 2020</time>.

</li>

<li id="cite_note-24"><a href="#cite_ref-24">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Aylin Caliskan, Joanna J. Bryson et Arvind Narayanan, « <cite style="font-style:normal" lang="en">Semantics derived automatically from language corpora contain human-like biases</cite> », <a href="Science_(revue)" title="Science (revue)">Science</a>,‎ <time class="nowrap" datetime="2017-05-14" data-sort-value="2017-05-14">14 mai 2017</time> (<a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1126/science.aal4230">10.1126/science.aal4230</a>, <a rel="nofollow" class="external text" href="https://science.sciencemag.org/content/356/6334/183">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Semantics+derived+automatically+from+language+corpora+contain+human-like+biases&rft.jtitle=Science&rft.aulast=Caliskan&rft.aufirst=Aylin&rft.au=Bryson%2C+Joanna+J.&rft.au=Narayanan%2C+Arvind&rft.date=2017-05-14&rft_id=info%3Adoi%2F10.1126%2Fscience.aal4230&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-25"><a href="#cite_ref-25">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> <a href="Joy_Buolamwini" title="Joy Buolamwini">Joy Buolamwini</a> et <a href="Timnit_Gebru" title="Timnit Gebru">Timnit Gebru</a>, « <cite style="font-style:normal" lang="en">Gender Shades: Intersectional Accuracy Disparities inCommercial Gender Classification – MIT Media Lab</cite> », Proceedings of Machine Learning Research,‎ <time>2018</time> (<a rel="nofollow" class="external text" href="https://www.media.mit.edu/publications/gender-shades-intersectional-accuracy-disparities-in-commercial-gender-classification/">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Gender+Shades%3A+Intersectional+Accuracy+Disparities+inCommercial+Gender+Classification+%E2%80%93+MIT+Media+Lab&rft.jtitle=Proceedings+of+Machine+Learning+Research&rft.aulast=Buolamwini&rft.aufirst=Joy&rft.au=Gebru%2C+Timnit&rft.date=2018&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-26"><a href="#cite_ref-26">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="http://gendershades.org/"><cite style="font-style:normal;" lang="en">Gender Shades</cite></a> », sur gendershades.org (consulté le <time class="nowrap" datetime="2021-10-27" data-sort-value="2021-10-27">27 octobre 2021</time>).

</li>

<li id="cite_note-27"><a href="#cite_ref-27">↑</a> Perrine Signoret, « <a rel="nofollow" class="external text" href="https://www.lemonde.fr/pixels/article/2018/02/12/une-etude-demontre-les-biais-de-la-reconnaissance-faciale-plus-efficace-sur-les-hommes-blancs_5255663_4408996.html"><cite style="font-style:normal;">Une étude démontre les biais de la reconnaissance faciale, plus efficace sur les hommes blancs</cite></a> », sur lemonde.fr, <time class="nowrap" datetime="2013-02-13" data-sort-value="2013-02-13">13 février 2013</time> (consulté le <time class="nowrap" datetime="2013-02-13" data-sort-value="2013-02-13">13 février 2013</time>).

</li>

<li id="cite_note-guardian-28"><a href="#cite_ref-guardian_28-0">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Paul Lewis et Erin McCormick, « <cite style="font-style:normal" lang="en">How an ex-YouTube insider investigated its secret algorithm</cite> », The Guardian,‎ <time class="nowrap" datetime="2018-02-02" data-sort-value="2018-02-02">2 février 2018</time> (<a rel="nofollow" class="external text" href="https://www.theguardian.com/technology/2018/feb/02/youtube-algorithm-election-clinton-trump-guillaume-chaslot">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=How+an+ex-YouTube+insider+investigated+its+secret+algorithm&rft.jtitle=The+Guardian&rft.aulast=Lewis&rft.aufirst=Paul&rft.au=Erin+McCormick&rft.date=2018-02-02&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-29"><a href="#cite_ref-29">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> James Vincent, « <cite style="font-style:normal" lang="en">Twitter taught Microsoft’s friendly AI chatbot to be a racist asshole in less than a day</cite> », <a href="The_Verge" title="The Verge">The Verge</a>,‎ <time class="nowrap" datetime="2016-03-24" data-sort-value="2016-03-24">24 mars 2016</time> (<a rel="nofollow" class="external text" href="https://www.theverge.com/2016/3/24/11297050/tay-microsoft-chatbot-racist">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Twitter+taught+Microsoft%E2%80%99s+friendly+AI+chatbot+to+be+a+racist+asshole+in+less+than+a+day&rft.jtitle=The+Verge&rft.aulast=Vincent&rft.aufirst=James&rft.date=2016-03-24&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-30"><a href="#cite_ref-30">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> <a href="Julia_Angwin" title="Julia Angwin">Julia Angwin</a>, Jeff Larson, Surya Mattu et Lauren Kirchner, « <cite style="font-style:normal" lang="en">Machine Bias</cite> », ProPublica,‎ <time class="nowrap" datetime="2016-05-23" data-sort-value="2016-05-23">23 mai 2016</time> (<a rel="nofollow" class="external text" href="https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Machine+Bias&rft.jtitle=ProPublica&rft.aulast=Angwin&rft.aufirst=Julia&rft.au=Larson%2C+Jeff&rft.au=Mattu%2C+Surya&rft.au=Kirchner%2C+Lauren&rft.date=2016-05-23&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">

</li>

<li id="cite_note-datafeminism2-31"><abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Catherine D'Ignazio et Lauren F. Klein, <cite style="font-style:normal" lang="en">« 2. Collect, Analyze, Imagine, Teach »</cite>, dans <cite class="italique" lang="en">Data Feminism</cite>, MIT Press, <time>2020</time> (<a rel="nofollow" class="external text" href="https://data-feminism.mitpress.mit.edu/pub/ei7cogfn/release/2?readingCollection=0cd867ef">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=bookitem&rft.btitle=Data+Feminism&rft.atitle=2.+Collect%2C+Analyze%2C+Imagine%2C+Teach&rft.pub=MIT+Press&rft.aulast=D%27Ignazio&rft.aufirst=Catherine&rft.au=Klein%2C+Lauren+F.&rft.date=2020&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-32"><a href="#cite_ref-32">↑</a> « <a rel="nofollow" class="external text" href="https://rslnmag.fr/innovation/intelligence-artificielle-algorithmes-biais-comment-lutter/"><cite style="font-style:normal;">Comment lutter contre les biais algorithmiques ?</cite></a> », sur Microsoft RSLN, <time class="nowrap" datetime="2016-11-18" data-sort-value="2016-11-18">18 novembre 2016</time> (consulté le <time class="nowrap" datetime="2018-02-16" data-sort-value="2018-02-16">16 février 2018</time>).

</li>

<li id="cite_note-33"><a href="#cite_ref-33">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Frank Pasquale, <cite class="italique" lang="en">The Black Box Society</cite>, Harvard University Press, <time class="nowrap" datetime="2015-01-05" data-sort-value="2015-01-05">5 janvier 2015</time> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-0-674-73606-1, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.4159/harvard.9780674736061">10.4159/harvard.9780674736061</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=The+Black+Box+Society&rft.pub=Harvard+University+Press&rft.aulast=Pasquale&rft.aufirst=Frank&rft.date=2015-01-05&rft.isbn=978-0-674-73606-1&rft_id=info%3Adoi%2F10.4159%2Fharvard.9780674736061&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-34"><a href="#cite_ref-34">↑</a> Jenna Burrell, « <cite style="font-style:normal">How the machine ‘thinks’: Understanding opacity in machine learning algorithms</cite> », Big Data & Society, <abbr class="abbr" title="volume">vol.</abbr> 3, <abbr class="abbr" title="numéro">no</abbr> 1,‎ <time class="nowrap" datetime="2016-01-06" data-sort-value="2016-01-06">6 janvier 2016</time>, <abbr class="abbr" title="page">p.</abbr> 205395171562251 (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/2053-9517">2053-9517</a> et <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/2053-9517">2053-9517</a>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1177/2053951715622512">10.1177/2053951715622512</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=How+the+machine+%E2%80%98thinks%E2%80%99%3A+Understanding+opacity+in+machine+learning+algorithms&rft.jtitle=Big+Data+%26+Society&rft.issue=1&rft.aulast=Burrell&rft.aufirst=Jenna&rft.date=2016-01-06&rft.volume=3&rft.pages=205395171562251&rft.issn=2053-9517&rft_id=info%3Adoi%2F10.1177%2F2053951715622512&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-35"><a href="#cite_ref-35">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais américain">(en-US)</abbr> « <cite style="font-style:normal" lang="en-us">Google Is 2 Billion Lines of Code—And It's All in One Place</cite> », Wired,‎ <time>2015</time> (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/1059-1028">1059-1028</a>, <a rel="nofollow" class="external text" href="https://www.wired.com/2015/09/google-2-billion-lines-codeand-one-place/">lire en ligne</a>, consulté le <time class="nowrap" datetime="2021-06-23" data-sort-value="2021-06-23">23 juin 2021</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Google+Is+2+Billion+Lines+of+Code%E2%80%94And+It%27s+All+in+One+Place&rft.jtitle=Wired&rft.date=2015&rft.issn=1059-1028&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-36"><a href="#cite_ref-36">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Diakopoulos, N et Friedler, S, « <cite style="font-style:normal" lang="en">How to hold algorithms accountable</cite> », MIT Technology Review,‎ <time class="nowrap" datetime="2016-11-17" data-sort-value="2016-11-17">17 novembre 2016</time><span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=How+to+hold+algorithms+accountable&rft.jtitle=MIT+Technology+Review&rft.aulast=N&rft.aufirst=Diakopoulos%2C&rft.au=Friedler%2C+S&rft.date=2016-11-17&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-37"><a href="#cite_ref-37">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Nick Seaver, « <cite style="font-style:normal" lang="en">Algorithms as culture: Some tactics for the ethnography of algorithmic systems</cite> », Big Data & Society, <abbr class="abbr" title="volume">vol.</abbr> 4, <abbr class="abbr" title="numéro">no</abbr> 2,‎ <time class="nowrap" datetime="2017-11-09" data-sort-value="2017-11-09">9 novembre 2017</time>, <abbr class="abbr" title="page">p.</abbr> 205395171773810 (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/2053-9517">2053-9517</a> et <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/2053-9517">2053-9517</a>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1177/2053951717738104">10.1177/2053951717738104</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Algorithms+as+culture%3A+Some+tactics+for+the+ethnography+of+algorithmic+systems&rft.jtitle=Big+Data+%26+Society&rft.issue=2&rft.aulast=Seaver&rft.aufirst=Nick&rft.date=2017-11-09&rft.volume=4&rft.pages=205395171773810&rft.issn=2053-9517&rft_id=info%3Adoi%2F10.1177%2F2053951717738104&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-38"><a href="#cite_ref-38">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Angèle Christin, « <cite style="font-style:normal" lang="en">The ethnographer and the algorithm: beyond the black box</cite> », Theory and Society, <abbr class="abbr" title="volume">vol.</abbr> 49, <abbr class="abbr" title="numéros">nos</abbr> 5-6,‎ <time class="nowrap" datetime="2020-10" data-sort-value="2020-10">octobre 2020</time>, <abbr class="abbr" title="pages">p.</abbr> 897–918 (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/0304-2421">0304-2421</a> et <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/1573-7853">1573-7853</a>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">DOI</a> <a rel="nofollow" class="external text" href="https://dx.doi.org/10.1007/s11186-020-09411-3">10.1007/s11186-020-09411-3</a>, <a rel="nofollow" class="external text" href="https://link.springer.com/10.1007/s11186-020-09411-3">lire en ligne</a>, consulté le <time class="nowrap" datetime="2021-06-23" data-sort-value="2021-06-23">23 juin 2021</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=The+ethnographer+and+the+algorithm%3A+beyond+the+black+box&rft.jtitle=Theory+and+Society&rft.issue=5-6&rft.aulast=Christin&rft.aufirst=Ang%C3%A8le&rft.date=2020-10&rft.volume=49&rft.pages=897%E2%80%93918&rft.issn=0304-2421&rft_id=info%3Adoi%2F10.1007%2Fs11186-020-09411-3&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-39"><a href="#cite_ref-39">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais américain">(en-US)</abbr> <a href="Ruha_Benjamin" title="Ruha Benjamin">Ruha Benjamin</a>, <cite class="italique" lang="en-us">Race after technology : abolitionist tools for the New Jim Code</cite>, <time>2019</time> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-1-5095-2640-6, 1-5095-2640-4 et 978-1-5095-2639-0, <a href="Online_Computer_Library_Center" title="Online Computer Library Center">OCLC</a> <a rel="nofollow" class="external text" href="https://worldcat.org/fr/title/1078415817">1078415817</a>, <a rel="nofollow" class="external text" href="https://www.worldcat.org/oclc/1078415817">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=Race+after+technology+%3A+abolitionist+tools+for+the+New+Jim+Code&rft.aulast=Benjamin&rft.aufirst=Ruha&rft.date=2019&rft.isbn=978-1-5095-2640-6&rft_id=info%3Aoclcnum%2F1078415817&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-40"><a href="#cite_ref-40">↑</a> <abbr class="abbr indicateur-langue" title="Langue : chinois">(zh)</abbr> 祖博夫 (Zuboff, Shoshana), 1951- 文字作者, <cite style="font-style:normal" lang="zh">監控資本主義時代 = The age of surveillance capitalism : the fight for a human future at the new frontier of power</cite> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-957-13-8116-9, 957-13-8116-0 et 978-957-13-8117-6, <a href="Online_Computer_Library_Center" title="Online Computer Library Center">OCLC</a> <a rel="nofollow" class="external text" href="https://worldcat.org/fr/title/1199122574">1199122574</a>, <a rel="nofollow" class="external text" href="https://worldcat.org/oclc/1199122574">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=%E7%9B%A3%E6%8E%A7%E8%B3%87%E6%9C%AC%E4%B8%BB%E7%BE%A9%E6%99%82%E4%BB%A3+%3D+The+age+of+surveillance+capitalism+%3A+the+fight+for+a+human+future+at+the+new+frontier+of+power&rft.aulast=%E6%96%87%E5%AD%97%E4%BD%9C%E8%80%85&rft.aufirst=%E7%A5%96%E5%8D%9A%E5%A4%AB+%28Zuboff%2C+Shoshana%29%2C+1951-&rft.isbn=978-957-13-8116-9&rft_id=info%3Aoclcnum%2F1199122574&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-41"><a href="#cite_ref-41">↑</a> David Beer, <cite class="italique">The Data Gaze: Capitalism, Power and Perception</cite>, SAGE Publications Ltd, <time>2019</time> (<a href="International_Standard_Book_Number" title="International Standard Book Number">ISBN</a> 978-1-5264-3692-4 et 978-1-5264-8534-2, <a rel="nofollow" class="external text" href="https://dx.doi.org/10.4135/9781526463210">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=The+Data+Gaze%3A+Capitalism%2C+Power+and+Perception&rft.pub=SAGE+Publications+Ltd&rft.aulast=Beer&rft.aufirst=David&rft.date=2019&rft.isbn=978-1-5264-3692-4&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-42"><a href="#cite_ref-42">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Julia Powles, « <cite style="font-style:normal" lang="en">New York City’s Bold, Flawed Attempt to Make Algorithms Accountable</cite> », The New Yorker,‎ <time class="nowrap" datetime="2017-12-21" data-sort-value="2017-12-21">21 décembre 2017</time> (<a href="International_Standard_Serial_Number" title="International Standard Serial Number">ISSN</a> <a rel="nofollow" class="external text" href="https://portal.issn.org/resource/issn/0028-792X">0028-792X</a>, <a rel="nofollow" class="external text" href="https://www.newyorker.com/tech/elements/new-york-citys-bold-flawed-attempt-to-make-algorithms-accountable">lire en ligne</a>, consulté le <time class="nowrap" datetime="2018-02-16" data-sort-value="2018-02-16">16 février 2018</time>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=New+York+City%E2%80%99s+Bold%2C+Flawed+Attempt+to+Make+Algorithms+Accountable&rft.jtitle=The+New+Yorker&rft.aulast=Powles&rft.aufirst=Julia&rft.date=2017-12-21&rft.issn=0028-792X&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-43"><a href="#cite_ref-43">↑</a> <a rel="nofollow" class="external text" href="https://artificialintelligenceact.eu/fr/">l’AI Act</a>.

</li>

<li id="cite_note-44"><a href="#cite_ref-44">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> Kinjal Dave, « <cite style="font-style:normal" lang="en">Systemic Algorithmic Harms</cite> », Data & Society,‎ <time class="nowrap" datetime="2019-05-31" data-sort-value="2019-05-31">31 mai 2019</time> (<a rel="nofollow" class="external text" href="https://points.datasociety.net/systemic-algorithmic-harms-e00f99e72c42">lire en ligne</a>)<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=Systemic+Algorithmic+Harms&rft.jtitle=Data+%26+Society&rft.aulast=Dave&rft.aufirst=Kinjal&rft.date=2019-05-31&rfr_id=info%3Asid%2Ffr.wikipedia.org%3ABiais+algorithmique">.

</li>

<li id="cite_note-45"><a href="#cite_ref-45">↑</a> <abbr class="abbr indicateur-langue" title="Langue : anglais">(en)</abbr> « <a rel="nofollow" class="external text" href="https://www.codedbias.com/filmmaker-1"><cite style="font-style:normal;" lang="en">Filmmaker — CODED BIAS</cite></a> », sur CODED BIAS (consulté le <time class="nowrap" datetime="2020-11-01" data-sort-value="2020-11-01"><abbr class="abbr" title="premier">1er</abbr> novembre 2020</time>).

</li>

</ol></div>

</div>

<ul id="bandeau-portail" class="bandeau-portail"><li> Portail des probabilités et de la statistique </li> <li> Portail de l’intelligence artificielle </li> <li> Portail de l’informatique </li> <li> Portail de la sociologie </li> <li> Portail de la psychologie </li> <li> Portail du droit </li> <li> Portail des droits de l’homme </li> </ul></div><div><div class="zim-footer">

Cet article est issu de <a class="external text" title="Dernière modification le 2025-10-27" href="https://fr.wikipedia.org/wiki/?title=Biais_algorithmique&oldid=230105791">Wikipédia</a>. Sauf mention contraire, le texte est disponible sous <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.fr">Creative Commons Attribution-Share Alike 4.0</a>. Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.

</div>

</div></div>

</div>

</main>

</div>

</body></html>