Opis projektu
Zwalczanie nierówności w sieciach społecznych
Rosnące nierówności społeczne zagrażają edukacji, opiece zdrowotnej i gospodarce. Nierówności te wynikają ze złożonych i dynamicznych barier strukturalnych, które pozostają niedostatecznie zrozumiane, zwłaszcza z perspektywy sieci społecznych. Sztuczna inteligencja i algorytmy uczenia maszynowego mają coraz większy wpływ na nasze życia, a zagrożenie nieuświadomionymi konsekwencjami potęguje zapotrzebowanie na systematyczne wykrywanie i prognozowanie nierówności oraz ich eliminowanie. Dlatego też projekt NetFair finansowany przez ERBN zajmuje się tymi wyzwaniami, opracowując ramy sprawiedliwości sieciowej na podstawie topologicznych i czasowych cech interakcji społecznych. Zespół projektu wykorzystuje dynamiczne modele złożonych sieci oparte na teoriach społecznych i dużych zbiorach danych, aby zbadać nierówności wynikające z sieci. Nowe oprogramowanie posłuży do wizualizacji i przewidywania nierówności, zapewniając podejście oparte na danych do sprawiedliwości zarówno na poziomie badań, jak i polityki.
Cel
Social inequalities are on the rise and will have devastating impacts on education, healthcare, economies
and societies for many generations to come. Structural barriers to equality, despite being complex and dynamic,
are poorly understood through the lens of complex evolving social networks. More crucially, with
the rise of AI and machine-learning algorithms, it is extremely important to detect, forecast, and mitigate
those inequalities in a systematic manner in order to avoid unintentional algorithmic consequences.
A network fairness framework is proposed, premised on topological and temporal features of social interactions
that shape the formation and evolution of inequalities. These features include (1) people have
multiple and correlated attributes that determine how they identify with groups and interact with others,
(2) people belong to a variety of social groups with different sizes, hierarchies, and historical precedents,
and (3) interactions between people evolve over time in a hybrid space of society and algorithms.
To this end, I will develop a suite of dynamical complex network models of inequality that are driven by
social theories (e.g. homophily, intersectionality, consolidation) and calibrated and evaluated with big data
and network experiments. This will allow us, for the first time, to investigate inequalities that arise from
network-based algorithms in a systematic manner. More importantly, I will devise a novel methodology of
network intervention, a set of data-driven principles for tackling network inequalities in a broad range of
applications. Finally, based on the models developed in this project, I will create a cutting-edge interactive
software – NetFair – to visualize and forecast the evolution of inequalities and implement various fairness
criteria. The software will contribute towards bridging the gap between research and policy applications
in academia and industry.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
8010 Graz
Austria