کتاب صوتی کالبدشکافی "اسلحه‌های تخریب ریاضی": درک و مقابله با الگوریتم‌های ناعادلانه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کالبدشکافی "اسلحه‌های تخریب ریاضی": درک و مقابله با الگوریتم‌های ناعادلانه

موضوع کلی: تأثیر هوش مصنوعی و الگوریتم‌ها بر جامعه

موضوع میانی: سوگیری، تبعیض و عدالت در سیستم‌های الگوریتمی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دوره: چرا باید به الگوریتم‌ها اهمیت دهیم؟
• 2. معرفی کتاب "سلاح‌های تخریب ریاضی" و نویسنده آن، کیتی اونیل
• 3. الگوریتم چیست؟ یک تعریف ساده و کاربردی
• 4. از مدل‌های ریاضی تا تصمیم‌گیری‌های خودکار
• 5. داده‌های بزرگ (Big Data): سوخت موتور الگوریتم‌ها
• 6. وعده الگوریتم‌ها: کارایی، دقت و بی‌طرفی
• 7. تعریف "سلاح تخریب ریاضی" (WMD): سه ویژگی کلیدی
• 8. ویژگی اول: مقیاس (Scale) - تأثیرگذاری بر زندگی افراد بسیار
• 9. ویژگی دوم: پنهان‌کاری (Opacity) - جعبه سیاه الگوریتم‌ها
• 10. ویژگی سوم: تخریب (Damage) - آسیب‌های ناعادلانه و سیستماتیک
• 11. تفاوت بین مدل‌های مفید و سلاح‌های تخریب ریاضی
• 12. مثال اولیه: مدل‌های خوش‌خیم در مقابل مدل‌های بدخیم
• 13. تاریخچه کوتاه تصمیم‌گیری مبتنی بر داده
• 14. سوگیری (Bias) چیست؟ آشنایی با انواع آن
• 15. سوگیری انسانی در مقابل سوگیری الگوریتمی
• 16. چگونه سوگیری‌های تاریخی در داده‌ها نهادینه می‌شوند؟
• 17. پروکسی (Proxy): اندازه‌گیری غیرمستقیم و خطاهای آن
• 18. خطر استفاده از پروکسی‌های ضعیف در مدل‌سازی
• 19. همبستگی در برابر علیت: یک اشتباه رایج و خطرناک
• 20. حلقه‌های بازخورد (Feedback Loops): تشدید نابرابری‌ها
• 21. حلقه بازخورد منفی: مارپیچ نزولی برای محرومان
• 22. مطالعه موردی (آموزش): رتبه‌بندی دانشگاه‌ها و کالج‌ها
• 23. پروکسی‌های مورد استفاده در رتبه‌بندی دانشگاه‌ها (U.S. News)
• 24. پیامدهای ناخواسته رتبه‌بندی: تمرکز بر معیارها به جای کیفیت
• 25. مطالعه موردی (آموزش): مدل‌های ارزش افزوده برای ارزیابی معلمان (VAM)
• 26. چگونه یک معلم خوب با یک الگوریتم بد اخراج شد؟
• 27. نقد مدل‌های ارزش افزوده: بی‌ثباتی و عدم شفافیت
• 28. تأثیر الگوریتم‌ها بر آینده آموزش و فرصت‌های برابر
• 29. مطالعه موردی (عدالت کیفری): پلیس پیش‌بین (Predictive Policing)
• 30. حلقه بازخورد در پلیس پیش‌بین: تمرکز بر محله‌های فقیرنشین
• 31. نقض حقوق شهروندی و تقویت کلیشه‌های نژادی
• 32. مطالعه موردی (عدالت کیفری): الگوریتم‌های ارزیابی ریسک تکرار جرم
• 33. معرفی مدل COMPAS و جنجال‌های آن
• 34. تحلیل ProPublica: سوگیری نژادی در الگوریتم COMPAS
• 35. عدالت چیست؟ تعاریف متفاوت و چالش پیاده‌سازی در کد
• 36. پیامدهای استفاده از WMDها در سیستم قضایی
• 37. مطالعه موردی (اشتغال): غربالگری خودکار رزومه‌ها
• 38. پروکسی‌های مورد استفاده در استخدام: از کلمات کلیدی تا پیشینه تحصیلی
• 39. چگونه الگوریتم‌ها تنوع نیروی کار را کاهش می‌دهند؟
• 40. مطالعه موردی (اشتغال): آزمون‌های شخصیت آنلاین
• 41. آیا الگوریتم می‌تواند شخصیت شما را برای یک شغل بسنجد؟
• 42. تبعیض علیه افراد مبتلا به مشکلات سلامت روان
• 43. مطالعه موردی (اشتغال): نظارت بر کارمندان و امتیازدهی عملکرد
• 44. الگوریتم‌ها به عنوان مدیر: استرس و بی‌ثباتی شغلی
• 45. مطالعه موردی (اعتبارسنجی): تاریخچه امتیازدهی اعتباری (Credit Score)
• 46. امتیاز FICO: چگونه زندگی مالی ما در یک عدد خلاصه می‌شود؟
• 47. ظهور e-score: استفاده از داده‌های غیرمالی برای اعتبارسنجی
• 48. "مالیات فقر": چگونه الگوریتم‌ها هزینه زندگی را برای فقرا افزایش می‌دهند؟
• 49. مطالعه موردی (بیمه): قیمت‌گذاری بر اساس داده‌های شخصی
• 50. بیمه خودرو، سلامت و عمر: تفکیک مشتریان بر اساس ریسک
• 51. از بین رفتن مفهوم "همبستگی ریسک" در صنعت بیمه
• 52. مطالعه موردی (تبلیغات آنلاین): هدف‌گیری خرد (Micro-targeting)
• 53. چگونه تبلیغات آنلاین به افراد آسیب‌پذیر ضربه می‌زند؟
• 54. نمایش تبلیغات وام‌های روزشمار به افراد در مضیقه مالی
• 55. مطالعه موردی (سیاست): هدف‌گیری رأی‌دهندگان و کمپین‌های انتخاباتی
• 56. نقش کمبریج آنالیتیکا و استفاده از داده‌های فیسبوک
• 57. تأثیر الگوریتم‌ها بر دموکراسی و گفتمان عمومی
• 58. حباب‌های فیلتر (Filter Bubbles) و اتاق‌های پژواک (Echo Chambers)
• 59. نقش الگوریتم‌های شبکه‌های اجتماعی در قطبی‌سازی جامعه
• 60. الگوریتم‌ها و گسترش اطلاعات نادرست (Misinformation)
• 61. مفهوم "عدالت به عنوان نبود سوگیری" و محدودیت‌های آن
• 62. کالبدشکافی جعبه سیاه: چرا شفافیت الگوریتمی مهم است؟
• 63. چالش‌های فنی و تجاری در مسیر شفاف‌سازی الگوریتم‌ها
• 64. مسئولیت‌پذیری الگوریتمی: چه کسی پاسخگو است؟
• 65. توسعه‌دهنده، شرکت، یا کاربر؟ زنجیره مسئولیت
• 66. اثرات روانی زندگی در جامعه‌ای توسط الگوریتم‌ها
• 67. احساس ناتوانی و بی‌عدالتی در مواجهه با تصمیمات الگوریتمی
• 68. فرسایش اعتماد به نهادها
• 69. نابرابری دیجیتال و تأثیر آن بر عدالت الگوریتمی
• 70. چگونه WMDها شکاف‌های اجتماعی و اقتصادی را عمیق‌تر می‌کنند؟
• 71. کودکان و الگوریتم‌ها: تأثیرات بلندمدت بر نسل آینده
• 72. اخلاق داده: اصول راهنما برای جمع‌آوری و استفاده از داده‌ها
• 73. رضایت آگاهانه در عصر داده‌های بزرگ
• 74. حق فراموش شدن و کنترل بر داده‌های شخصی
• 75. راهکارهای مقابله: حسابرسی الگوریتمی (Algorithmic Audit)
• 76. مراحل یک حسابرسی الگوریتمی موثر
• 77. چه کسانی باید حسابرسی را انجام دهند؟ نقش حسابرسان مستقل
• 78. تعاریف مختلف عدالت الگوریتمی: از برابری آماری تا برابری فرصت
• 79. تنش بین عدالت گروهی و عدالت فردی
• 80. آیا می‌توان عدالت را به صورت ریاضی تعریف و بهینه‌سازی کرد؟
• 81. نقش قانون‌گذاری و سیاست‌گذاری در مهار WMDها
• 82. مروری بر قوانین موجود (مانند GDPR و AI Act)
• 83. نیاز به قوانین جدید برای حفاظت از شهروندان
• 84. سوگند بقراط برای دانشمندان داده
• 85. تعهد به آسیب نرساندن در طراحی و پیاده‌سازی مدل‌ها
• 86. نقش آموزش و سواد داده در توانمندسازی شهروندان
• 87. چگونه می‌توانیم تصمیمات الگوریتمی را به چالش بکشیم؟
• 88. طراحی مدل‌های جایگزین: رویکردهای انسان-محور
• 89. اهمیت مشارکت ذی‌نفعان در فرآیند طراحی الگوریتم
• 90. مطالعه موردی مثبت: استفاده مسئولانه از الگوریتم‌ها
• 91. آینده هوش مصنوعی: اتوپیا یا دیستوپیا؟
• 92. نقش ما در شکل‌دهی به آینده الگوریتمی
• 93. بازنگری بر سه ویژگی WMD: چگونه آن‌ها را خنثی کنیم؟
• 94. مقابله با مقیاس: محدود کردن دامنه تأثیر الگوریتم‌ها
• 95. مقابله با پنهان‌کاری: ترویج فرهنگ شفافیت
• 96. مقابله با تخریب: طراحی حلقه‌های بازخورد مثبت
• 97. جمع‌بندی نهایی: فراخوانی برای اقدام و مسئولیت‌پذیری