引導式測驗 · 硬 等級
COMPAS 和累犯演算法測驗中的偏差
測試 ProPublica 關於 COMPAS 錯誤率、Northpointe 校準防禦以及當基本率不同時公平性定義衝突的原因的調查結果。
問題 1 的 8
在未再犯的被告中,ProPublica 發現黑人被告與白人被告相比有何差異?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 在未再犯的被告中,ProPublica 發現黑人被告與白人被告相比有何差異?
- 他們被評分的可能性較低
- 他們的風險標籤相同
- 他們被標記為高風險的可能性接近兩倍
- 他們被標記為低風險的可能性較高
- Northpointe 為 COMPAS 辯護的核心是什麼?
- 在每個分數層級,黑人與白人被告的再犯率相似(校準)
- 該工具使用種族來校正歷史偏見
- ProPublica 分析了錯誤的縣
- 該工具從未在任何法院使用過
- 在什麼條件下,不可能性結果指出校準與相等錯誤率無法同時成立?
- 當模型使用超過 100 個特徵時
- 當資料集的人數少於 10,000 人時
- 當種族被納入輸入時
- 當各群體的基礎比率不同且預測器並非完美時
- 威斯康辛州最高法院在 State v. Loomis 案中裁定了什麼?
- COMPAS 被判定違憲並被禁止在法庭使用
- 法官可以考慮 COMPAS,但它不能成為決定性因素,且必須有書面警告
- COMPAS 分數必須決定刑期長短
- 必須向被告展示完整的源代碼
- 種族是 COMPAS 的輸入嗎?
- 是的,它是最重要的權重因素
- 是的,但僅適用於佛羅里達州的被告
- 不;它使用犯罪史和問卷答案
- 不;它僅使用被告的年齡
- Julia Dressel 與 Hany Farid 於 2018 年的研究發現了什麼?
- 未受訓練的線上志工對再犯的預測準確度與 COMPAS 相當
- COMPAS 的準確率超過 90%
- 法官完全忽略了 COMPAS 分數
- COMPAS 在布羅瓦德縣沒有種族差異
- 使用 FPR = (p/(1-p)) × ((1-PPV)/PPV) × (1-FNR),若 PPV 與 FNR 在各組別相等,但組別 A 的基礎率 p 較高,則組別 A 的偽陽性率會如何?
- 必須較低
- 必須為零
- 不受 p 影響
- 必須較高
- 為什麼將種族排除在風險模型之外並不保證結果無偏?
- 法院要求必須包含種族資訊
- 相關輸入如先前逮捕記錄可能帶有歷史警務模式
- 模型無法在沒有人口統計資料的情況下運行
- 將種族排除總是使模型對每個族群的準確度降低