Trappad naar Eerlijkheid: Verbinding tussen Groeps- en Individuele Eerlijkheid

Stairway to Fairness: Connecting Group and Individual Fairness

August 29, 2025

Auteurs: Theresia Veronika Rampisela, Maria Maistro, Tuukka Ruotsalo, Falk Scholer, Christina Lioma

cs.AI

Samenvatting

Eerlijkheid in aanbevelingssystemen (RS) wordt doorgaans ingedeeld in groepseerlijkheid en individuele eerlijkheid. Er bestaat echter nog geen gevestigd wetenschappelijk begrip van de relatie tussen deze twee vormen van eerlijkheid, omdat eerder onderzoek naar beide typen verschillende evaluatiemaatstaven of evaluatiedoelen heeft gebruikt voor elk type eerlijkheid, waardoor een goede vergelijking tussen de twee niet mogelijk was. Hierdoor is het momenteel onbekend hoe het vergroten van één type eerlijkheid het andere type kan beïnvloeden. Om deze leemte op te vullen, bestuderen wij de relatie tussen groepseerlijkheid en individuele eerlijkheid door middel van een uitgebreide vergelijking van evaluatiemaatstaven die voor beide typen eerlijkheid kunnen worden gebruikt. Onze experimenten met 8 runs over 3 datasets tonen aan dat aanbevelingen die zeer eerlijk zijn voor groepen zeer oneerlijk kunnen zijn voor individuen. Deze bevinding is nieuw en nuttig voor RS-praktijkmensen die streven naar het verbeteren van de eerlijkheid van hun systemen. Onze code is beschikbaar op: https://github.com/theresiavr/stairway-to-fairness.

English

Fairness in recommender systems (RSs) is commonly categorised into group fairness and individual fairness. However, there is no established scientific understanding of the relationship between the two fairness types, as prior work on both types has used different evaluation measures or evaluation objectives for each fairness type, thereby not allowing for a proper comparison of the two. As a result, it is currently not known how increasing one type of fairness may affect the other. To fill this gap, we study the relationship of group and individual fairness through a comprehensive comparison of evaluation measures that can be used for both fairness types. Our experiments with 8 runs across 3 datasets show that recommendations that are highly fair for groups can be very unfair for individuals. Our finding is novel and useful for RS practitioners aiming to improve the fairness of their systems. Our code is available at: https://github.com/theresiavr/stairway-to-fairness.