GUIDA della Società

Distorsioni legate all’età nei sistemi di intelligenza artificiale

I bias legati all’età nell’intelligenza artificiale possono apparire in una decisione automatizzata, nel linguaggio di un modello o nei tassi di errore biometrico.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina3 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro dell’età nei sistemi di intelligenza artificiale
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Le prove sono specifiche per attività e campione: un caso di assunzione, una valutazione del riconoscimento facciale e un benchmark dello stereotipo LLM misurano risultati diversi e non possono essere compressi in un'affermazione su tutti i sistemi di intelligenza artificiale o su tutti gli anziani.

Immersione profonda

Age bias is not one technical problem. It may arise from protected-age rules in a decision workflow, from stereotypes in language, or from demographic differences in biometric performance. In 2022, the U.S. Equal Employment Opportunity Commission sued iTutorGroup, alleging its application software automatically rejected female tutor applicants age 55 or older and male applicants age 60 or older. The case was resolved by a consent decree in 2023. This is a concrete employment example, but it does not establish that all automated hiring tools discriminate by age. NIST’s Face Recognition Vendor Test evaluated algorithms submitted by developers and found demographic differentials, including by age, in many tested algorithms. NIST cautions against broad claims across systems: results depend on algorithm, application and data. A separate 2024 NIST evaluation of age-estimation software found sensitivity to image quality, gender, region of birth and age; accuracy of age estimates is different from recognizing a person’s identity. In LLMs, a 2024 study tested six models using value-orientation prompts and reported age-related patterns, while a 2026 AgeismSet study created a benchmark for measuring ageism in model outputs. These are prompt-based research evaluations, not proof of how all older users are treated in products. Age groups are internally diverse. Chronological age, life stage, disability, health, language, digital access and experience may affect a task differently. A fairness review should test the actual use, compare specific age bands, and distinguish an adverse employment decision from a face-matching error or stereotyped text generation. Avoid building an “older user” persona from assumptions; include older adults in research and give people accessible ways to correct outputs.

Implementazione nel mondo reale

Un team di assunzione verifica se un sistema di screening rifiuta i candidati in base a soglie di età o campi correlati all'età come l'anno di laurea.

Un fornitore di sistemi di riconoscimento facciale segnala tassi di falsa corrispondenza e falsa non corrispondenza in base ai gruppi di età e alle condizioni delle immagini.

Un team di chatbot verifica se le risposte alla stessa attività cambiano quando cambia solo l’età di un utente.

Un progettista di prodotto verifica le esigenze di accesso degli anziani invece di presumere che un gruppo di età abbia una preferenza uniforme per la tecnologia.

Il futuro dell’età nei sistemi di intelligenza artificiale

I dati demografici legati all’età e il comportamento dei modelli cambiano nel tempo e nuove valutazioni stanno misurando gli effetti specifici dell’età nei sistemi biometrici e generativi. Rifare i test dopo importanti cambiamenti di modello o di politica, coinvolgere gli anziani negli studi di usabilità e utilizzare le attuali leggi sull’occupazione e sui diritti civili per le decisioni piuttosto che trattare i parametri di ricerca come risultati legali. La valutazione futura dovrebbe riportare le versioni del modello, le popolazioni di studio e i risultati misurati in modo che i risultati possano essere confrontati senza generalizzare oltre l’evidenza. I test di accessibilità dovrebbero includere adulti più anziani con diverse esigenze di accesso visivo, uditivo, motorio e cognitivo.

Metterlo in pratica

Perché è importante

  • Rischio e sicurezza. I danni catastrofici e quotidiani dell’IA dipendono entrambi da chi comprende i rischi e da chi può agire.
  • Decisioni più chiare. L’alfabetizzazione pubblica e professionale determina la possibilità politica di una forte politica di sicurezza.
  • Tagliare il clamore. Spiegazioni chiare riducono la cattura da parte di montature pubblicitarie, PR di laboratorio e vaghi teatrini etici.

Attenzione

  • Trattare il rischio esistenziale come fantascienza mentre le capacità si aggravano.
  • Confondere la sicurezza del prodotto superficiale con l'allineamento in condizioni di elevata autonomia.
  • Lasciando il pubblico non inglese e non esperto solo con fonti di bassa qualità.

Prossimi passi

  1. Separare i rischi di danni al prodotto, uso improprio e perdita di controllo/disallineamento.
  2. Chiedi quali prove cambierebbero la tua opinione sulle tempistiche e sulla gravità.
  3. Preferire fonti primarie e valutazioni concrete alle affermazioni di marketing.
  4. Identifica un percorso d’azione: carriera, politica, finanziamenti o competenze, non solo consapevolezza.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Rispondi al quiz sull'età nei sistemi di intelligenza artificiale

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è la discriminazione basata sull'età nei sistemi di intelligenza artificiale?

I bias legati all’età nell’intelligenza artificiale possono apparire in una decisione automatizzata, nel linguaggio di un modello o nei tassi di errore biometrico. Le prove sono specifiche per attività e campione: un caso di assunzione, una valutazione del riconoscimento facciale e un benchmark dello stereotipo LLM misurano risultati diversi e non possono essere compressi in un'affermazione su tutti i sistemi di intelligenza artificiale o su tutti gli anziani.

Cosa ha affermato l’EEOC riguardo al software applicativo di iTutorGroup?

L'EEOC ha affermato che la società ha programmato il proprio software applicativo tutor per rifiutare i candidati a quelle soglie di età.

Cosa ha riportato il NIST sugli effetti demografici negli algoritmi di riconoscimento facciale?

Il NIST ha riscontrato differenziali demografici nella maggior parte degli algoritmi di riconoscimento facciale testati e ha messo in guardia dal generalizzare tra i sistemi.

In cosa differiscono il riconoscimento facciale e la stima dell’età?

Il NIST valuta la corrispondenza dei volti e la stima dell'età dei volti come attività separate con parametri diversi.

Quali fattori, secondo il NIST, possono influenzare l’accuratezza della stima dell’età?

La valutazione del NIST segnala la sensibilità a molteplici caratteristiche demografiche e di immagine.

Cosa ha valutato lo studio sul valore dell’età LLM 2024?

Lo studio ha testato sei LLM con una pipeline tempestiva sugli orientamenti di valore legati all'età.