Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Bias01:22

Bias

7.6K
Bias refers to any tendency that prevents a question from being considered unprejudiced. In research, bias occurs when one outcome or answer is selected or encouraged over others in sampling or testing. Bias can occur during any research phase, including study design, data collection, analysis, and publication.
In statistics, a sampling bias is created when a sample is collected from a population, and some members of the population are not as likely to be chosen as others (remember, each member...
7.6K
Ethics and Bioethics01:22

Ethics and Bioethics

3.2K
Ethics is a philosophical study of moral actions. Ethics attempts to determine what is valuable for individuals and society. It examines the rational justification of moral judgments and analyzes what is morally just, fair, and right. Bioethics is a sub-discipline of applied ethics that analyzes the philosophical, social, and legal issues in life sciences and medicine. Ethical theories serve as a foundation for decision-making and represent the viewpoints from which people seek direction. They...
3.2K
Ethical Issues01:27

Ethical Issues

2.3K
Nurses are essential in patient care, upholding the ethical principles of their profession and effectively navigating ethical dilemmas. Neglecting ethical issues can lead to inadequate patient care, compromised therapeutic relationships, and moral distress among healthcare workers.
Ethical Concerns in Healthcare:
2.3K
Bias in Epidemiological Studies01:29

Bias in Epidemiological Studies

1.4K
Biases can arise at various stages of research, from study design and data collection to analysis and interpretation. Recognizing and addressing these biases is essential to ensure the validity and reliability of epidemiological findings.Broadly speaking, biases in epidemiology fall into three main categories: selection bias, information bias, and confounding. A more detailed description of possible biases is:  
1.4K
Motivational Bias01:25

Motivational Bias

432
Cognitive bias results from limitations in thinking and information processing, leading to systematic errors in judgment. Conversely, motivational bias stems from personal desires or emotions, causing distortions in perception to align with self-interest. Motivational bias influences how individuals perceive and attribute causes to events, often shaped by personal needs, goals, and self-esteem preservation. This bias can distort judgment, leading to inaccurate assessments of success, failure,...
432
Halo Effect01:27

Halo Effect

563
The halo effect is a cognitive bias in which an individual's overall impression influences judgments about their specific traits. This psychological phenomenon leads people to associate positive characteristics with those they perceive as generally good and negative characteristics with those they view as bad. This effect is particularly influential in social perception, professional evaluations, and decision-making processes.The Psychological Basis of the Halo EffectThe halo effect is rooted...
563

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

"It didn't feel like anything unusual because we had already been through so much": Disability-Related Research Experiences of Families with Children Enrolled in the Undiagnosed Diseases Network.

Genetics in medicine : official journal of the American College of Medical Genetics·2026
Same author

Realizing the Promise of Mobile Health Tools for Improved Healthcare Access.

The American journal of bioethics : AJOB·2026
Same author

Reclaiming informed consent to train mental health AI with patient data.

NPJ digital medicine·2026
Same author

Community Engagement in Genomic Research: Where We Have Been and Where We Should Go.

Annual review of genomics and human genetics·2026
Same author

Ambient Intelligence, Surveillance, and Justice.

The American journal of bioethics : AJOB·2026
Same author

Mitigating Bias in Sepsis Risk Prediction Models: Insights from a Stakeholder-Based Ethical Assessment.

The American journal of bioethics : AJOB·2026

関連する実験動画

Updated: May 6, 2026

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.9K

バイオメディカルAI/MLにおける公平性とバイアス：目標の定義と実践への落とし込み

Nicole Martinez-Martin1, Abdoul Jalil Djiberou Mahamadou2, Madelena Ng3

  • 1Center for Biomedical Ethics, Stanford University School of Medicine, Stanford, California 94025, USA, nicolemz@stanford.edu.

Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|February 27, 2026
PubMed
まとめ

人工知能および機械学習（AI/ML）モデルが多様な集団において公平かつ偏りがないことは、バイオメディカル応用における課題であり続けている。倫理的なAI/ML開発には、バイアスと公平性に関する研究者の異なる視点に対処することが不可欠である。

キーワード:
バイオメディカルAI機械学習公平性バイアス倫理

関連する実験動画

Last Updated: May 6, 2026

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.9K

科学分野:

  • バイオメディカル情報学
  • 人工知能
  • 機械学習
  • 計算生物学

背景:

  • 多様な集団における人工知能および機械学習（AI/ML）の一般化可能性と精度は、倫理的なバイオメディカル応用にとって極めて重要である。
  • AI/MLにおけるバイアスと公平性は認識されている課題であるが、研究者間の概念的および操作的な違いが進行を妨げている。
  • 人口統計グループ間でのAI/MLパフォーマンスの格差は、ヘルスケアにおいて重大な倫理的懸念を引き起こしている。

研究 の 目的:

  • バイオメディカルAI/MLにおける公平性の達成とバイアスの軽減における課題を強調すること。
  • AI/MLにおける公平性の概念化と運用化に関する学際的な議論を促進すること。
  • 医学におけるAI/MLの展開におけるバイアスへの対処と公平性の確保に関する多様な視点を検討すること。

主な方法:

  • 本研究は、シンポジウムセッションで提示された議論と視点に基づいている。
  • バイオメディカルAI/MLにおける公平性に関する学際的な視点の統合が含まれる。
  • 特定の計算方法は詳述されておらず、概念的および倫理的な考慮事項に焦点を当てている。

主要な成果:

  • バイアスと公平性の定義と実装における根本的な違いが、公平なAI/ML結果の達成における困難に寄起因している。
  • バイオメディカルAI/MLにおけるバイアス軽減と公平性評価のための標準化されたアプローチの必要性が示唆されている。
  • このセッションは、主要な課題と潜在的な研究の方向性を特定するためのプラットフォームを提供した。

結論:

  • バイオメディカルAI/MLにおける公平性に対処するには、バイアスに対する統一された理解とアプローチが必要である。
  • 倫理的で一般化可能なAI/MLツールの開発には、学際的な協力が不可欠である。
  • ヘルスケアにおける公平で正確なAI/MLの展開における課題を克服するには、継続的な対話が必要である。