Valutazione dell'equità nei modelli di apprendimento automatico

In a world where artificial intelligence is becoming increasingly widespread, it is important to consider carefully its benefits and risks. This study highlights a method for detecting the presence of possible inequalities in the results of machine learning models. The reference model is the one developed by (Chen, Giudici, Liu, & Raffienetti, 2022). The latter is applied here in order to assess the fairness of the ESG score ranking of 600 companies in the STOXX Europe 600 index against 10 sectors, taking into account the weight of eight considered financial variable. The objective is to evaluate whether the financial predictors have the same impact regardless of the items they refer to. The results are then tested by applying the modified Kolmogorov-Smirnov test for fairness. The analysis shows that there is no statistically significant inequality in ESG scores, the Gini coefficients calculated for the individual predictors are all below 0.5, and the K-S test confirms the result obtained. The different financial variables have on average a similar impact on ESG scores; slightly higher is the influence of net sales and dividend yield.

In un mondo in cui l'intelligenza artificiale si sta diffondendo in modo sempre più capillare è importante soppesarne benefici e rischi. Il presente studio pone in luce un metodo per individuare la presenza di eventuali disuguaglianze nei risultati degli algoritmi di apprendimento automatico. Il modello di riferimento è quello sviluppato da (Chen, Giudici, Liu, & Raffienetti, 2022), qui applicato per esaminare l'equità della classificazione dei punteggi ESG di 600 società dell'indice STOXX 600 Europe rispetto a 10 settori industriali, tenendo conto del peso di otto variabili finanziarie. L'obiettivo è valutare se le variabili di bilancio hanno lo stesso impatto nel predire i punteggi ESG indipendentemente dai settori a cui si riferiscono. I risultati vengono poi testati applicando il test di Kolmogorov-Smirnov modificato per l'equità. L'analisi non mostra disuguaglianze statisticamente significative nei punteggi ESG, i coefficienti Gini calcolati per i singoli predittori sono tutti inferiori a 0,5 e il test K-S conferma il risultato ottenuto. Le diverse variabili finanziarie hanno in media un impatto simile sui punteggi ESG, solo vendite nette e rendimento dei dividendi registrano un’influenza leggermente superiore.