AuthorsA. Storås, R. Prabhu, H. L. Hammer and I. Strümke
TitleBias og kvantitativ analyse innen velferd
AfilliationMachine Learning
Project(s)Department of Holistic Systems
StatusPublished
Publication TypeJournal Article
Year of Publication2022
JournalTidsskrift for velferdsforskning
Volume25
Issue3
Pagination1-24
PublisherUniversitetsforlaget
Place PublishedTidsskrift for velferdsforskning
Keywordsforklarbar kunstig intelligens, Maskinlæring, skjevhetsbegreper, velferdsforskning, XGBoost
Abstract

Ifølge Norges nasjonale strategi for kunstig intelligens (2020) er offentlig forvaltning og helse blant Norges satsningsområder for bruk av kunstig intelligens. Maskinlæring er en undergruppe av kunstig intelligens med potensiale for å løse en rekke utfordringer, men som også gir opphav til utfordringer. En slik utfordring er bias, eller skjevhet. Et eksempel på skjevhet er at tilstedeværende ulikheter i samfunnet representeres i datagrunnlaget maskinlæringsmodeller utvikles på. De resulterende modellene står dermed i fare for å adoptere og videreføre disse ulikhetene. En utfordring er at skjevhet har ulike definisjoner innen ulike fagområder, og kan ha mange ulike opphav. Vi bidrar til å løse denne utfordringen ved å gi en oversikt over ulike typer skjevhet og deres opphav med illustrasjoner fra et velferdsperspektiv, samt avklarer forskjellen til det nærliggende konseptet rettferdighet. Vi demonstrerer utfordringer relatert til databaserte modellers oppførsel ved å benytte maskinlæring til å predikere fremtidig ressursbehov i helsevesenet, spesifikt antall legebesøk i kommuner. Vi demonstrerer ulike typer skjevheter, diskuterer mulige løsninger og bruker metoder fra forklarbar kunstig intelligens for å analysere opphavet til skjevheter i forklaringsvariablene. Det finnes ingen universell løsning for å håndtere alle typer skjevheter, men skjevhet må tas høyde for i alle deler av en kvantitativ analyse.

DOI10.18261/tfv.25.3.3
Citation Key42541

Contact person