A abordagem tradicional trata fairness como uma etapa de auditoria: treina-se o modelo para maximizar retorno e depois se verifica se algum grupo foi desproporcionalmente prejudicado. Quando o problema aparece, a correção é um remendo.
Auditoria chega tarde
Corrigir disparidades depois do treino significa escolher entre recalibrar thresholds por grupo — juridicamente delicado — ou retreinar às cegas esperando um resultado melhor. Nenhuma das opções dá garantias.
Restrições no aprendizado
Nossa abordagem incorpora métricas de equidade diretamente na função objetivo da política, tratando disparidade como custo. O otimizador aprende a navegar o trade-off entre retorno e equidade em vez de descobri-lo em produção.
- Paridade demográfica e igualdade de oportunidade como penalidades diferenciáveis
- Pesos ajustáveis por política institucional, com trade-off explícito
- Relatórios de sensibilidade que mostram o custo marginal da equidade
O que medimos
Nas simulações com dados públicos, políticas treinadas com restrição de equidade sacrificam pouco retorno esperado para eliminar a maior parte da disparidade de aprovação entre grupos — um trade-off que auditoria posterior nunca revelaria com precisão.