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
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.