biais algorithmique

Une étude du MIT (2018) a révélé que les systèmes de reconnaissance faciale font plus de 30 % d’erreurs pour les femmes à peau foncée, contre moins de 1 % pour les hommes blancs.
👉 À votre avis, pourquoi ce problème ne peut-il pas être résolu uniquement par la technologie ?

• A. Biais dans les données

• B. Manque de diversité

• C. Problème uniquement technique

• D. Besoin de règles éthiques

• E. Approche combinée

L’OCDE (2023) indique que les biais algorithmiques sont souvent dus à des données incomplètes ou non représentatives.

👉 À votre avis, pourquoi est-ce difficile à éviter ?

• A. Données peu diversifiées

• B. Manque d’accès aux données

• 
  C. IA neutre par défaut

• D. Pas de cadre légal

• E. Réalité sociale biaisée

Selon l’OMS (2021), certains systèmes d’IA médicale entraînés sur des données limitées peuvent produire des diagnostics erronés.

👉 À votre avis, qui est le plus exposé à ces erreurs ?

• A. Femmes

• B. Populations marginalisées

• C. Patients bien suivis

• D. Enfants

• E. Non-représentés

Stanford (2020) révèle que des IA de recrutement ont exclu automatiquement des femmes ou minorités.

👉 À votre avis, qui doit agir contre ce type de discrimination ?

• A. Développeurs

• B. Employeurs

• C. État

• D. Candidats

• E. Tous

L’UE (2022) recommande des audits éthiques pour les IA à haut risque.

👉 À votre avis, pourquoi est-ce nécessaire ?

• A. Transparence

• B. Confiance du public

• C. Progrès plus rapide

• D. Contrôle indépendant

• E. Risque social élevé