摘要

本文介绍了一种创新的方法，通过潜在类别分析（LCA）量化用户定义的多组之间的跨部门交叉差异，以解决AI发展中的公平性问题。该研究强调了在AI决策过程中，如资源分配和服务方案开发中，处理多重和交叉形式的不平等的重要性。研究使用了EVENS和Census 2021（英格兰和威尔士）等数据集，验证了该方法的有效性，并揭示了少数族裔群体之间的显著差异，强调了在现实世界AI应用中实施针对性干预的必要性。

原理

该研究采用潜在类别分析（LCA）来识别和量化不同用户定义群体之间的跨部门交叉差异。LCA通过分析观察到的变量响应模式，识别样本集中的潜在子群。该方法的核心优势在于它考虑了所有变量的联合概率分布，从而能够联合分析潜在的不平等或差异。通过计算不同群体在潜在类别中的比例，研究进一步计算了这些比例之间的差异，从而量化了群体间的差异。

流程

研究的工作流程包括数据准备、LCA模型建立、参数估计、差异量化和结果输出。首先，将调查数据编码为二进制格式，然后通过LCA过程进行超参数选择和模型拟合。接下来，计算每个用户定义群体在每个潜在类别中的比例，并使用余弦相似度计算这些比例之间的差异。最后，输出一个差异矩阵，该矩阵展示了不同群体之间的平均差异值。

应用

该研究的方法不仅限于特定的数据格式，可以应用于广泛的类似问题，为AI公平性研究提供了新的视角和工具。通过量化跨部门交叉差异，该方法有助于揭示和理解AI系统中的不公平现象，从而推动更公平的AI系统设计和实施。此外，该方法的应用前景还包括社会科学研究、政策制定和公共服务优化等领域。