GUIDA della Società

Bias sulla disabilità nell’intelligenza artificiale

Disability bias in AI can occur when a system misreads, excludes or stereotypes a disabled person, but disability is highly heterogeneous and no single benchmark represents all conditions.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina3 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. The Future of Disability Bias in AI
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Recent studies have measured disparities in LLM responses, AI-generated descriptions and hiring prompts; their findings depend on model versions, disability categories and experimental settings.

Immersione profonda

Disability is not one demographic variable. Blindness, deafness, chronic illness, mobility impairment, neurodivergence and speech disability can affect different interactions, and people within each group have varied preferences and support needs. Bias can arise through inaccessible interfaces, proxy features, missing training examples, or model outputs that associate disability with lower competence. It can also occur when an automated assessment treats one communication style as the only valid way to show ability. A 2024 Archives of Physical Medicine and Rehabilitation study tested ChatGPT and Gemini with generated descriptions of people, patients and athletes. It found that the systems underestimated disability in their generated sample and, in language analysis, described disabled people with fewer favorable qualities and more limitations. The study was an observational prompt experiment using 2023 versions; it does not establish how every current model behaves or how disabled people experience every deployment. A 2025 EMNLP paper introduced AccessEval, testing 21 open and closed models across six real-world domains and nine disability types with paired neutral and disability-aware queries. The authors reported more negative tone, higher factual error and greater stereotyping in disability-aware responses, with variation by domain and disability type; hearing, speech and mobility contexts were especially affected in their benchmark. A separate 2024 ASSETS interview study spoke with 30 people with disabilities about real-life chatbot use and needs. These studies show evidence of risks as well as use cases, but neither justifies broad conclusions about all disabled users or all AI. U.S. employers must also comply with the ADA when using software in hiring and employment; automation does not remove accommodation obligations.

Implementazione nel mondo reale

A video-interview tool evaluates speech rate and eye contact, so an employer checks whether disability-related communication differences affect scores unrelated to job tasks.

An exam proctoring system flags atypical movement, and a school provides a human review route and an accessible alternative.

A text generator describes a disabled person using deficit-focused language, prompting a reviewer to inspect whether the output erases agency or context.

A screen-reader user reports that an AI-enabled interface has unlabeled controls, so the product team tests the workflow with disabled users.

The Future of Disability Bias in AI

La ricerca si sta orientando verso una valutazione guidata dalle persone con disabilità, una copertura più ampia dei benchmark e test in contesti lavorativi e di servizio reali. Le nuove versioni dei modelli possono modificare i risultati, quindi le organizzazioni dovrebbero rivalutare dopo gli aggiornamenti e coinvolgere le persone con disabilità nella progettazione, negli acquisti, nei test e nella correzione. Le future valutazioni dovrebbero riportare le versioni dei modelli, le popolazioni studiate e gli esiti misurati affinché i risultati possano essere confrontati senza generalizzare oltre le evidenze. Le priorità di ricerca includono la progettazione partecipativa, la raccolta di dati accessibili e la valutazione dei benefici assistivi insieme ai danni, attraverso le comunità di disabilità. Misurare i cambiamenti con gli utenti.

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

Fai il quiz sul Bias della Disabilità nell'IA

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 il Bias della Disabilità nell'IA?

Il bias della disabilità nell'IA può verificarsi quando un sistema interpreta male, esclude o stereotipa una persona disabile, ma la disabilità è altamente eterogenea e nessun benchmark unico rappresenta tutte le condizioni. Studi recenti hanno misurato disparità nelle risposte dei LLM, nelle descrizioni generate dall'IA e nei prompt di assunzione; i loro risultati dipendono dalle versioni dei modelli, dalle categorie di disabilità e dalle impostazioni sperimentali.

Cosa ha esaminato lo studio sul bias di abilità del 2024 ChatGPT/Gemini?

Lo studio ha confrontato le descrizioni generate e il linguaggio su persone, pazienti e atleti con o senza stato di disabilità.

Quale limitazione si applica allo studio sul bias di abilità del 2024?

Lo studio ha valutato ChatGPT e Gemini usando un esperimento di prompt definito; i suoi risultati non rappresentano tutti i modelli attuali o i contesti.

How many models and disability types did the AccessEval benchmark include?

AccessEval reports evaluating 21 models across nine disability types and six domains.

What pattern did the AccessEval authors report for disability-aware queries?

The paper reports these comparative patterns, with variation across model, domain and disability type.

Which limitation should be kept in mind about a 30-person disability chatbot interview study?

The ASSETS study interviewed 30 people, a qualitative sample for understanding experiences rather than estimating population prevalence.