Título :	Advances in Bias and Fairness in Information Retrieval : Second International Workshop on Algorithmic Bias in Search and Recommendation, BIAS 2021, Lucca, Italy, April 1, 2021, Proceedings
Tipo de documento:	documento electrónico
Autores:	Boratto, Ludovico, ; Faralli, Stefano, ; Marras, Mirko, ; Stilo, Giovanni,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2021
Número de páginas:	X, 171 p. 40 ilustraciones, 34 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-78818-6
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Gestión de base de datos  Sistema de administración de base de datos
Índice Dewey:	005.7 Datos en sistemas de computadoras
Resumen:	Este libro constituye una acta arbitrada del Segundo Taller Internacional sobre Sesgo Algorítmico en Búsqueda y Recomendación, BIAS 2021, celebrado en abril de 2021. Debido a la pandemia de COVID-19, BIAS 2021 se llevó a cabo de forma virtual. Los 11 artículos completos y 3 artículos breves fueron cuidadosamente revisados ​​y seleccionados entre 37 presentaciones. Los artículos cubren temas que van desde la búsqueda y recomendación en citas en línea, educación y redes sociales, pasando por el impacto del sesgo de género en la incorporación de palabras, hasta herramientas que permiten explorar el sesgo y la equidad en la Web. .
Nota de contenido:	Towards Fairness-Aware Ranking by Defining Latent Groups Using Inferred Features -- Media Bias Everywhere? A Vision for Dealing with the Manipulation of Public Opinion -- Users' Perception of Search-Engine Biases and Satisfaction -- Preliminary Experiments to Examine the Stability of Bias-Aware Techniques -- Detecting Race and Gender Bias in Visual Representation of AI on Web Search Engines -- Equality of Opportunity in Ranking: A Fair-Distributive Model -- Incentives for Item Duplication under Fair Ranking Policies -- Quantification of the Impact of Popularity Bias in Multi-Stakeholder and Time-Aware Environment -- When is a Recommendation Model Wrong? A Model-Agnostic Tree-Based Approach to Detecting Biases in Recommendations -- Evaluating Video Recommendation Bias on YouTube -- An Information-Theoretic Measure for Enabling Category Exemptions with an Application to Filter Bubbles -- Perception-Aware Bias Detection for Query Suggestions -- Crucial Challenges in Large-Scale Black Box Analyses -- New Performance Metrics for Offline Content-based TV Recommender Systems.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Advances in Bias and Fairness in Information Retrieval : Second International Workshop on Algorithmic Bias in Search and Recommendation, BIAS 2021, Lucca, Italy, April 1, 2021, Proceedings [documento electrónico] / Boratto, Ludovico, ; Faralli, Stefano, ; Marras, Mirko, ; Stilo, Giovanni,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - X, 171 p. 40 ilustraciones, 34 ilustraciones en color.
ISBN : 978-3-030-78818-6
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Gestión de base de datos  Sistema de administración de base de datos
Índice Dewey:	005.7 Datos en sistemas de computadoras
Resumen:	Este libro constituye una acta arbitrada del Segundo Taller Internacional sobre Sesgo Algorítmico en Búsqueda y Recomendación, BIAS 2021, celebrado en abril de 2021. Debido a la pandemia de COVID-19, BIAS 2021 se llevó a cabo de forma virtual. Los 11 artículos completos y 3 artículos breves fueron cuidadosamente revisados ​​y seleccionados entre 37 presentaciones. Los artículos cubren temas que van desde la búsqueda y recomendación en citas en línea, educación y redes sociales, pasando por el impacto del sesgo de género en la incorporación de palabras, hasta herramientas que permiten explorar el sesgo y la equidad en la Web. .
Nota de contenido:	Towards Fairness-Aware Ranking by Defining Latent Groups Using Inferred Features -- Media Bias Everywhere? A Vision for Dealing with the Manipulation of Public Opinion -- Users' Perception of Search-Engine Biases and Satisfaction -- Preliminary Experiments to Examine the Stability of Bias-Aware Techniques -- Detecting Race and Gender Bias in Visual Representation of AI on Web Search Engines -- Equality of Opportunity in Ranking: A Fair-Distributive Model -- Incentives for Item Duplication under Fair Ranking Policies -- Quantification of the Impact of Popularity Bias in Multi-Stakeholder and Time-Aware Environment -- When is a Recommendation Model Wrong? A Model-Agnostic Tree-Based Approach to Detecting Biases in Recommendations -- Evaluating Video Recommendation Bias on YouTube -- An Information-Theoretic Measure for Enabling Category Exemptions with an Application to Filter Bubbles -- Perception-Aware Bias Detection for Query Suggestions -- Crucial Challenges in Large-Scale Black Box Analyses -- New Performance Metrics for Offline Content-based TV Recommender Systems.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i