Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen:
https://hdl.handle.net/10419/315638
Autor:innen:
Erscheinungsjahr:
2024
Quellenangabe:
[Journal:] AStA Wirtschafts- und Sozialstatistisches Archiv [ISSN:] 1863-8163 [Volume:] 18 [Issue:] 2 [Publisher:] Springer [Place:] Berlin, Heidelberg [Year:] 2024 [Pages:] 185-201
Verlag:
Springer, Berlin, Heidelberg
Zusammenfassung:
Mit der verstärkten Nutzung von Modellen des Maschinellen Lernens (ML) innerhalb von Systemen der automatisierten Entscheidungsfindung wachsen die Anforderungen an die Qualität von ML-Modellen. Die reine Prognosegüte ist nicht länger das alleinige Qualitätskriterium; insbesondere wird vermehrt gefordert, dass Fairnessaspekte berücksichtigt werden. Dieser Beitrag verfolgt zwei Ziele. Zum einen werden die aktuelle Fairnessdiskussion im Bereich ML (fairML) zusammengefasst und die aktuellsten Entwicklungen, insbesondere in Bezug auf die philosophischen Grundlagen des Fairnessbegriffs innerhalb ML, beschrieben. Zum anderen wird die Frage behandelt, inwiefern sogenannte „außergesetzliche“ Merkmale bei der Erstellung qualifizierter Mietspiegel genutzt werden dürfen. Ein aktueller Vorschlag von Kauermann und Windmann (AStA Wirtschafts- und Sozialstatistisches Archiv, Band 17, 2023) zur Nutzung außergesetzlicher Merkmale in qualifizierten Mietspiegeln beinhaltet eine modellbasierte Imputationsmethode, welche wir den gesetzlichen Anforderungen gegenüberstellen. Schließlich zeigen wir auf, welche Alternativen aus dem Bereich fairML genutzt werden könnten und legen dar, welche unterschiedlichen philosophischen Grundannahmen hinter den verschiedenen Verfahren stehen.
Zusammenfassung (übersetzt):
With the increased use of machine learning (ML) models within automated decision-making systems, the demands on the quality of ML models are growing. Pure prediction quality is no longer the sole quality criterion; in particular, there is an increasing demand to consider fairness aspects. This paper pursues two goals. First, it summarizes the current fairness discussion in the field of ML (fairML) and describes the most recent developments, especially with respect to the philosophical foundations of the concept of fairness within ML. On the other hand, the question is addressed to what extent so-called ‘extra-legal’ characteristics may be used in the compilation of qualified rent indices. A recent proposal by Kauermann and Windmann (AStA Wirtschafts- und Sozialstatistisches Archiv, Volume 17, 2023) on using extra-legal features in qualified rent indices includes a model-based imputation method, which we contrast with the legal requirements. Finally, we show which alternatives from the field of fairML could be used and outline the different basic philosophical assumptions behind the various methods.
Schlagwörter:
Amtliche Statistik
Automatisierte Entscheidungsfindung
Fairness
Maschinelles Lernen
Mietspiegel
Official Statistics
Automated Decision Making
Fairness
Machine Learning
Rent Indices
Automatisierte Entscheidungsfindung
Fairness
Maschinelles Lernen
Mietspiegel
Official Statistics
Automated Decision Making
Fairness
Machine Learning
Rent Indices
Persistent Identifier der Erstveröffentlichung:
Dokumentart:
Article
Dokumentversion:
Published Version
Erscheint in der Sammlung:
Datei(en):
Datei
Beschreibung
Größe
Format
Publikationen in EconStor sind urheberrechtlich geschützt.