Curso Académico:
2022/23
3377 - Grado en Ingeniería en Informática
26006 - Equidad, Responsabilidad, Transparencia y Ética en la Informática
Información del Plan Docente
Curso Académico:
2022/23
Centro académico:
337 - Escuela de Ingeniería
Estudio:
3377 - Grado en Ingeniería en Informática
Asignatura:
26006 - Equidad, Responsabilidad, Transparencia y Ética en la Informática
Ámbito:
---
Créditos:
5.0
Curso:
4 y 3
Idiomas de docencia:
Teoría: | Grupo 1: Inglés |
Prácticas: | Grupo 101: Inglés |
Seminario: | Grupo 101: Inglés |
Profesorado:
Antoni Rubi Puig, Carlos Alberto Alejandro Castillo Ocaranza, Catia Faria , Gloria Gonzalez Fuster
Periodo de Impartición:
Segundo trimestre
Horario:
Presentación
Equidad, Responsabilidad, Transparencia y Ética en Informática (FATE) es una nueva asignatura opcional para los estudiantes de primer ciclo del DTIC de la UPF. Es una asignatura interdisciplinaria que ofrecen profesores de tres disciplinas: informática, filosofía y derecho.
El curso reflexiona sobre tres cuestiones principales: procesamiento de datos personales, apoyo a las decisiones basadas en datos y toma de decisiones automatizadas. Aproximadamente la mitad de las sesiones cubren tecnologías informáticas para, por ejemplo, anonimizar datos o detectar y mitigar el sesgo algorítmico. La otra mitad de las sesiones estudia diferentes conceptualizaciones del poder sobre las canalizaciones de procesamiento de datos, analiza el sesgo y la discriminación en sistemas informáticos desde una perspectiva de filosofía moral y analiza los marcos legales relevantes para el procesamiento de datos.
El curso incluye 12 sesiones teóricas para exponer y discutir los principales conceptos y métodos; 6 sesiones de seminario para estudios de caso y 6 sesiones de prácticas para desarrollar el programa y el análisis de datos. La evaluación se realizará a partir de trabajos y pruebas.
El curso versará sobre cuestiones de equidad, responsabilidad, transparencia en el procesamiento de datos desde una perspectiva ética, legal y tecnológica.
1. Tratamiento de datos personales: privacidad, confidencialidad, vigilancia, recurso, recopilación de datos y diferenciales de poder.
2. Apoyo a la toma de decisiones basado en datos: sesgos y transparencia en el proceso de datos, la comunicación rica en datos y la visualización de datos.
Toma automatizada de decisiones: conceptualizaciones de poder y discriminación en escenarios con diferentes grados de automatización.
Competencias asociadas
Competencias básicas, transversales y específicas:
Competencia básica CB2. Que los estudiantes puedan aplicar los conocimientos adquiridos a su trabajo o vocación de forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
Competencia transversal CT3. Aplicar con flexibilidad y creatividad los conocimientos adquiridos y adaptarlos a nuevos contextos y situaciones.
Competencia específica: CE6. Dominar los conceptos de empresa, marco constitucional y legal de la empresa, organización y dirección de la empresa.
Resultados del aprendizaje
RA.CE6.3. Elaborar proyectos que tengan como objetivo, según el conocimiento adquirido, la concepción y desarrollo o explotación de sistemas en su ámbito.
Además:
○ Comprender cuestiones de privacidad, poder, agencias relacionadas con el procesamiento de datos personales, y ser capaz de razonar de manera ética sobre estos problemas.
○ Conocer el marco legal para el procesamiento de datos personales en Europa.
○ Conocer herramientas técnicas para la anonimización y pseudoanonimización para trabajar dentro de este marco, así como las limitaciones de estas herramientas.
○ Comprender cuestiones de poder, agencias, prejuicios y discriminación en torno al apoyo a las decisiones basadas en datos.
○ Conocer el marco legal para la toma de decisiones automatizadas y el apoyo a las decisiones en Europa.
○ Conocer métodos para evaluar un clasificador automático o un método de predicción de sesgos potencialmente discriminatorios.
○ Conocer métodos de transparencia algorítmica en la clasificación automática.
○ Conocer métodos de equidad en los rankings.
○ Conocer métodos para mitigar posibles sesgos discriminatorios en un sistema algorítmico.
Objetivos de Desarrollo Sostenible
- ODS5 - Igualdad de género
- ODS10 - Reducción de las desigualdades
Prerrequisitos
Los estudiantes deberían haber aprobado:
● Aprendizaje automático
Contenidos
T01. Los riesgos del procesamiento de datos
Presentamos los principales problemas que trataremos durante el curso así como las diferentes conceptualizaciones de estos problemas.
T02. Marcos éticos
Estudiamos marcos éticos relevantes en el procesamiento de datos
T03. Reglamento de protección de datos
Describimos la regulación de la protección de datos en Europa, centrándonos en cuestiones de protección de datos.
T04. Control de divulgación estadística
Presentamos tecnologías para proteger la privacidad de los datos, con énfasis en el
anonimato-k.
T05. Resolución de sesgos en el procesamiento de datos
Introducimos el feminismo de datos y un marco para entender los sesgos en el procesamiento de datos sociales.
T06. Regulación de perfiles automatizados y toma de decisiones
Describimos la regulación de la protección de datos en Europa, centrándonos en el perfil automatizado y la toma de decisiones algorítmicas.
T07. Discriminación algorítmica
Introducimos conceptualizaciones clave en torno a la discriminación dentro de un sistema informático.
T08. Medida del sesgo algorítmico en la clasificación automática
Introducimos métricas de equidad algorítmica en sistemas automatizados que se utilizan para la clasificación y predicción.
T09. Sesgos mitigadores en la clasificación automática
Introducimos métricas de equidad algorítmica en sistemas automatizados que se utilizan para la clasificación y la predicción.
T10. Equidad en el procesamiento algorítmico
Describimos las cuestiones éticas de equidad y cómo se pueden traducir en requisitos para los sistemas informáticos.
T11. Equidad y transparencia en el ranking y la recomendación
Estudiamos cuestiones de sesgo y transparencia en el contexto de los sistemas de información para clasificar personas o artículos.
T12. Profesor invitado: protección de datos
Organizaremos una conferencia sobre protección de datos.
Metodología docente
El curso se estructura en torno a clases teóricas en las que se introducen los temas del curso.
En las sesiones prácticas, los estudiantes pueden trabajar por parejas en un trabajo de programación.
En las sesiones de seminario, los estudiantes trabajan en grupos reducidos analizando un caso o un problema planteado por el profesor.
La mitad de la práctica y la mitad de las sesiones del seminario incluyen una evaluación, basada en un pequeño informe (1-2 páginas) entregado por cada pareja/grupo.
Evaluación
La evaluación continua se basará en los siguientes elementos:
● P = Promedio de notas de la sesión de prácticas = 25%
● S = Promedio de notas de la sesión del seminario = 25%
● M = Examen intermedio = 20%
● E = Examen final = 30%
Para aprobar la asignatura en evaluación continua:
● P debe ser superior o igual a 5,0
● S debe ser superior o igual a 5,0
● 0,4 M + 0,6 E debe ser superior o igual a 5,0.
● 0,25 P + 0,25 S + 0,20 M + 0,30 E debe ser superior o igual a 5,0
Si un estudiante no aprueba, hay un examen de recuperación. El examen de recuperación sustituye la nota del examen normal (E en la lista anterior).
Bibliografía y recursos de información
Libros principales:
-
O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Broadway Books.
-
Barocas, S., Hardt, M., Narayanan, A. (TBA). Fairness and machine learning: limitations and opportunities. Work in Progress.
Libros recomendados:
-
Perez, C. C. (2019). Invisible women: Exposing data bias in a world designed for men. Random House.
-
D'Ignazio, C., & Klein, L. F. (2020). Data feminism. MIT Press.
-
Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin's Press.
-
Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. nyu Press.
-
Moreau, S. (2020). Faces of Inequality: A Theory of Wrongful Discrimination. Oxford University Press, USA.