Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

Fairness and Bias in Machine Learning Models for Credit Decisions

Identification

Clé publique
radar:r-97d6a7f44d1d125767197b18996eda70
Auteurs
Silvio Andrae
Année déclarée
2025
Langue déclarée
en
Type source
book-chapter
Première détection
2026-11-13T12:48:53.660939+00:00
Dernière observation des métadonnées
2026-11-13T12:48:53.660939+00:00
Dernière vérification HTTP
Non effectuée

Résumé documentaire — langue originale

Machine learning (ML) models transform credit decision-making, improving efficiency, predictive accuracy, and scalability. However, these innovations raise critical concerns about fairness and bias. This chapter explores the complexities of applying ML in lending. Balancing fairness with predictive accuracy is a core challenge, often requiring trade-offs highlighting current ML systems' limitations. The analysis delves into statistical fairness metrics and examines how these metrics address—or exacerbate—the bias-fairness trade-off. It underscores the importance of transparency and interpretability in ML models, as these are not just desirable but necessary for fostering trust and making these systems comprehensible without sacrificing performance. Empirical studies from the US and UK underscore the importance of data quality, model design, and interdisciplinary collaboration in mitigating bias. This chapter addresses technical and societal dimensions and provides actionable insights for leveraging ML responsibly in lending while minimizing ethical and economic risks.

Identifiants

OPENALEX
https://openalex.org/W4406730678
DOI
10.4018/979-8-3693-8186-1.ch001

Repères documentaires

Famille documentaire
Chapitre d’ouvrage
Types déclarés par les sources
book-chapter
Éditeurs
IGI Global

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Description bibliographique du livre

Éditeur
IGI Global
Date de publication déclarée
2025-01-22

Disponibilité non établie

Sources

OpenAlex · Document 1

Citer cette référence

Silvio Andrae. Fairness and Bias in Machine Learning Models for Credit Decisions. 2025. IGI Global. https://doi.org/10.4018/979-8-3693-8186-1.ch001

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Silvio Andrae. (2025). Fairness and Bias in Machine Learning Models for Credit Decisions. IGI Global. https://doi.org/10.4018/979-8-3693-8186-1.ch001
Chicago
Silvio Andrae. Fairness and Bias in Machine Learning Models for Credit Decisions. IGI Global. 2025. https://doi.org/10.4018/979-8-3693-8186-1.ch001
ISO 690
Silvio Andrae. Fairness and Bias in Machine Learning Models for Credit Decisions. 2025. IGI Global. https://doi.org/10.4018/979-8-3693-8186-1.ch001

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. Fairness and Bias in Machine Learning Models for Credit Decisions. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-97d6a7f44d1d125767197b18996eda70/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.4018/979-8-3693-8186-1.ch001

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature