Incidentes Asociados
Las plataformas publicitarias como Facebook, Google y LinkedIn prometen valor para los anunciantes a través de su publicidad dirigida. Sin embargo, varios estudios han demostrado que la entrega de anuncios en tales plataformas puede estar sesgada por género o raza debido a la optimización algorítmica oculta de las plataformas, incluso cuando los anunciantes no lo solicitan. Sobre la base del trabajo anterior que mide el sesgo en la entrega de anuncios, desarrollamos una nueva metodología para la auditoría de caja negra de algoritmos para la discriminación en la entrega de anuncios de trabajo. Nuestra primera contribución es identificar la distinción entre el sesgo en la publicación de anuncios debido a categorías protegidas como el género o la raza, y el sesgo debido a las diferencias de calificación entre las personas del público objetivo. Esta distinción es importante en la ley de EE. UU., donde los anuncios pueden orientarse en función de las calificaciones, pero no de las categorías protegidas. En segundo lugar, desarrollamos una metodología de auditoría que distingue entre sesgos explicables por diferencias en las calificaciones de otros factores, como la optimización de la plataforma publicitaria para la participación o el entrenamiento de sus algoritmos en datos sesgados. Nuestro método controla la calificación del trabajo al comparar la entrega de anuncios de dos anuncios simultáneos para trabajos similares, pero para un par de empresas con diferentes distribuciones de género de facto de los empleados. Describimos las cuidadosas pruebas estadísticas que establecen evidencia de sesgo de no calificación en los resultados. En tercer lugar, aplicamos nuestra metodología propuesta a dos plataformas destacadas de publicidad dirigida para anuncios de trabajo: Facebook y LinkedIn. Confirmamos el sesgo por género en la entrega de anuncios en Facebook y demostramos que no puede justificarse por diferencias en las calificaciones. No encontramos sesgo en la entrega de anuncios en LinkedIn. Finalmente, sugerimos mejoras en las prácticas de las plataformas publicitarias que podrían hacer que la auditoría externa de sus algoritmos en interés del público sea más factible y precisa.