研究人员介绍了他们开发的一种工具，可以提高在线排名的公平性，同时又不影响其实用性或相关性。

当您在互联网上搜索内容时，您是一页一页地浏览建议还是从前几个选择中进行选择？

由于大多数人都是从这些列表的顶部进行选择的，因此他们很少看到绝大多数选项，从而在从招聘到媒体曝光到电子商务等各个方面都产生了偏见。

康奈尔大学的研究人员在一篇新论文中介绍了他们开发的一种工具，可以在不牺牲其实用性或相关性的情况下提高在线排名的公平性。

计算机科学博士生Ashudeep Singh说：“如果您可以平等地检查所有选择，然后决定选择什么，那将是理想选择。但是，由于我们无法做到这一点，因此排名成为导航这些选择的关键界面。” “在动态学习到排名中控制公平和偏见”一书的第一作者，获得了计算机学会SIGIR信息检索研究与开发会议的最佳论文奖。

辛格说：“例如，许多YouTube员工会发布相同食谱的视频，但是其中一些视频的观看者比其他人更多，即使他们可能非常相似。” “这之所以发生，是因为搜索结果呈现给我们的方式。我们通常以线性方式降低排名，注意力迅速下降。”

研究人员的方法称为FairCo，可以使他们大致平等地接受同样相关的选择，并避免对已经排在首位的物品给予优惠待遇。这可以纠正现有算法中固有的不公平现象，从而加剧不平等和政治分化，并减少个人选择。

“他们如何分配曝光率排名系统。那么，我们如何确保每个人都能获得公平的曝光率呢？” 计算机科学和信息科学教授，论文的高级作者Thorsten Joachims说。“例如，在电子商务系统和对职位空缺进行排名的系统中，构成公平性的方法可能大不相同。我们提出了可让您指定公平性标准的计算工具，以及可证明强制执行的算法他们。”

算法会寻找与搜索者最相关的项目，但是由于绝大多数人都选择了列表中的前几个项目之一，因此相关性的微小差异可能会导致曝光率出现巨大差异。例如，根据新闻报道，如果新闻出版物的读者中有51％偏爱偏向保守的意见，而49％偏爱比较自由的文章，则可以认为主页上突出显示的所有热门新闻都倾向于偏爱保守。

约阿希姆斯说：“当相关性的微小差异导致一方扩大时，通常会导致两极分化，一些人倾向于主导对话，而其他意见则被忽视，而没有引起他们的公平关注。” “您可能希望在电子商务系统中使用它，以确保如果您要生产30％的人喜欢的产品，则可以以此为基础获得一定的曝光。或者，如果您有简历，数据库，您可以制定保护措施以确保它不会因种族或性别而受到歧视。”

该研究得到了美国国家科学基金会和Workday的部分支持。