XiaoMi-AI文件搜索系统
World File Search System非歧视
算法价格歧视和...
使用算法个性化价格不再是一种边缘现象，而是许多在线市场中主要的商业实践，在许多在线市场中，跟踪消费者每次点击都是行业标准。看似无关，几十年来，消费者保护法一直基于以下前提：消费者缺乏有意义的交易权力，无法就合同条款进行讨价还价。本文提出，根据消费者的行为，越来越多地使用算法来设定个性化价格，这为消费者提供了通过算法超过价格和收回市场能力来“讨价还价”的道路。为了支持这一点，本文介绍了在线实验室环境中进行的新型预注册，兼容的随机实验的结果，该实验测试了消费者是否以及如何在给出机会时用算法超过价格，以多个回合为参与者提供10美元的礼品卡，以10美元的价格购买Algorithm，以基于参与者的购买决定，这是一项基于Algorithm的价格，该赠品是基于参与的购买效果。这项研究进一步探讨了使用来自在线消费市场中通常部署的消费者和数据保护法的工具来调节算法定价的潜力：披露授权，防止数据收集的权利（“ cookies Laws”）（“ cookies Laws”）（“ cookies Laws”）以及防止数据保留的权利（“擦除法律”或“擦除法律”或“遗留在“遗忘”））。我们发现明确的证据表明，参与者在战略上避免了他们本来会诱发随后的回合降低价格的购买，以及一些证据表明，这种行为有时以避免有效购买的代价是出于避免有效购买的代价，而当提供的价格低于分配给礼品卡的价值参与者。We found that both these effects increased in magnitude and statistical significance in the presence of disclosure, as well as clear evidence that participants offered data protection rights used them strategically: preventing retention or collection of their data in rounds in which they purchased the gift card, so as to prevent a subsequent price increase, and allowing it in rounds in which they declined to purchase, so as to signal a low WTP and benefit from a price decrease in the next round.
cas12a目标歧视
此预印本的版权持有人（该版本发布于2023年5月16日。; https：//doi.org/10.1101/2023.05.16.541046 doi：biorxiv Preprint
Mondelez-Estagio24区域歧视
数据分析支持：内部数据收集和分析，Nielsen和Kantar，旨在建立市场理解和对战略计划，发展批判性思维并扩大分析能力的支持。以及KPIS并为Dream Waltz和Milka品牌建造仪表板。支持与领域的关系：与中央情报局其他领域以及工作团队建立关系，寻求了解其所在环境，流程和与每个配置文件进行交流/相关的最佳方法。产品发布支持：为Dream Waltz品牌开发新产品的支持，支持项目管理，沟通，与代理商，多功能团队和供应商联系。支持Waltz Dream社交网络，在制定和监视“精神可行性”增长和创新的“精神可行性”的制定和计划中为“内容”团队做出了贡献；支持内容批准，管理和分析结果；支持预算管理，负责NF，支出管理，输入和输出控制。
标题：马萨诸塞大学校长办公室非歧视和骚扰投诉程序——及指导方针（附录）
马萨诸塞大学校长办公室（“校长办公室”）禁止在教育、录取、访问或在其计划、服务、福利、活动以及大学所有就业条款和条件方面的非法歧视、骚扰（包括性骚扰）和报复，并遵守州和联邦法律（包括第 IX 条、第 VII 条、1973 年《康复法》第 504 节、1990 年《美国残疾人法》修正案、1963 年《同工同酬法》和马萨诸塞州反歧视法。这些非歧视和骚扰程序（“程序”）提供了一种迅速而公平的机制，校长办公室可通过该机制识别、应对和防止违反校长办公室非歧视和骚扰政策（文件 T16-040）（“政策”）的歧视、骚扰和报复事件。
非法代理歧视：一种挑战固有歧视算法的框架
新兴奖学金表明，欧盟的法律歧视法律概念 - 以保护特征为由给予不同的待遇 - 可能适用于各种算法决策背景。这具有重要的含义：与间接歧视不同，直接歧视框架中通常没有“客观理由”阶段，这意味着直接歧视性算法的部署通常是非法的。在本文中，我们专注于在算法上下文中最有可能直接歧视的候选人，称为固有的直接歧视，其中代理与受保护的特征无疑地联系在一起。我们借鉴了计算机科学文献，暗示在算法背景下，“基于治疗的理由”需要从两个步骤中理解：代理能力和代理使用。只有在两个要素才能指出的情况下才能指出歧视是“基于”受保护的特征。我们分析了我们提议的代理能力和代理使用测试的法律条件。基于此分析，我们讨论了可以开发或应用以确定算法决策中固有直接歧视的技术方法和指标。
联合免疫检查点抑制剂治疗驱动基因阴性非小细胞肺癌脑 ...
这项工作得到了内蒙古自治区的自然科学基金会项目（编号2019MS08024）抽象非小细胞肺癌（NSCLC是最常见的组织学肺癌类型，在诊断时约有66％的患者中与远处转移有关。大脑是转移的常见部位，在初始诊断时，大约13％的患者在颅内受累。这严重影响了生活质量，并导致预后不良。驱动基因阳性NSCLC脑转移患者的靶向治疗可实现更好的颅内控制率；但是，使用驱动基因阴性NSCLC脑转移的患者的治疗选择有限。近年来，随着免疫疗法的扩展，免疫检查点抑制剂（ICI）已被广泛用于临床实践。ICI与放射疗法结合的治疗方式在治疗驱动基因阴性NSCLC脑转移的患者方面有望。本文回顾了敏感驱动器基因阴性NSCLC脑转移患者的放射治疗与免疫疗法的临床研究进度，目的是为可用的临床治疗方案提供参考。
人工智能时代的歧视 - JuSER
摘要 在本文中，我将研究人工智能 (AI) 和自动决策 (ADM) 的使用是否会加剧歧视问题，正如几位作者所论证的那样。为此，我首先参与了关于歧视的激烈哲学辩论，并提出了我自己对这一概念的定义。在此基础上，我随后回顾了一些关于使用 AI/ADM 和歧视的最新文献。我解释了我对歧视的解释如何有助于理解，鉴于歧视加剧的一般说法是没有根据的。最后，我认为使用 AI/ADM 实际上可以加剧歧视问题，但方式与大多数批评者所认为的不同：由于其认识论的不透明性，AI/ADM 有可能破坏我们的道德审议，而道德审议对于达成关于什么应该算作歧视的共同理解至关重要。结果发现，算法实际上可能有助于检测隐藏的歧视形式。
人工智能、消费者信贷和歧视
最近，Apple Card 的算法受到了公众的质疑，因为用户声称该算法助长了性别歧视。2019 年 11 月初，一位著名的网络开发人员在推特上表示，他的妻子获得的信用卡信用额度仅为 57 美元，仅为他获得的信用额度的一小部分。8 尽管他和妻子共同报税，住在共同财产州，而且妻子的信用评分更高，但情况仍然如此。9 这条帖子迅速走红，并得到了其他已婚夫妇的证实，其中包括苹果联合创始人史蒂夫·沃兹尼亚克。10 截至本文发表时，纽约金融服务部正在调查该信用卡的决策过程。针对这种情况，这位开发人员表示：“我认为没有一些想要歧视的恶人。但这并不重要。既然没有人能解释这个决定是如何做出的，你怎么知道机器学习算法没有问题呢？” 11
基于健康的代理歧视、人工智能……
保险公司和雇主通常出于经济动机而歧视那些未来更有可能承担医疗费用的人。尽管如此，许多联邦和州法律仍试图限制这种基于健康的歧视。例子包括《怀孕歧视法案》（PDA）、《美国残疾人法案》（ADA）、《就业年龄歧视法案》（ADEA）和《遗传信息非歧视法案》（GINA）。但本文认为，当雇主或保险公司依靠机器学习人工智能（AI）来指导他们的决策时，这些法律无法可靠地防止基于健康的歧视。归根结底，这是因为机器学习人工智能本质上是结构化的，可以识别和依赖代理特征，这些特征可以直接预测它们被编程为最大化的任何“目标变量”。由于员工和被保险人的未来健康状况实际上直接预测了雇主和保险公司无数表面上中立的目标，因此机器学习人工智能往往会产生与基于健康相关因素的故意歧视类似的结果。尽管《平价医疗法案》（ACA）等法律可以通过禁止所有未经事先批准的歧视形式来避免这种结果，但这种方法并不广泛适用。让问题更加复杂的是，几乎所有开发“公平算法”的技术策略在涉及基于健康的代理歧视时都行不通，因为健康信息通常是私密的，因此不能用来纠正不必要的偏见。尽管如此，本文最后还是提出了一种新的策略来对抗人工智能基于健康的代理歧视：限制公司使用与健康相关因素有很强可能联系的目标变量来编程人工智能的能力。
工作场所歧视和高血压风险
方法和结果：数据来自Midus（美国中年），这是一项对美国成年人的前瞻性队列研究。基线数据是在2004年至2006年收集的，平均为8年的随访期。在基线时具有自我报告的高血压的工人被排除在外，产生了1246名参与者的样本量进行主要分析。使用经过验证的6个项目仪器评估工作场所犯罪。在接受9923.17人年的随访期间，有319名工人报告的高血压发作，高血压的发病率分别为25.90、30.84和39.33，在低，中级和高水平的工作场所歧视的参与者中，每1000人年分别为每1000名。COX比例危害回归分析表明，与暴露率低的工人相比，经历了高度接触工作场所歧视的工人的高血压危害更高（调整后危险比，1.54 [95％CI，1.11-2.13]）。敏感性分析不包括基线高血压病例，基于血压加上降压药物的其他信息（n = 975）显示出稍强的关联。趋势分析显示暴露反应关联。