L'équité de l'apprentissage machine en assurance
Laurence Barry and
Arthur Charpentier
Additional contact information
Laurence Barry: Sciences Po - Sciences Po, ENSAE - Ecole Nationale de la Statistique et de l'Analyse Economique - Ecole Nationale de la Statistique et de l'Analyse Economique
Arthur Charpentier: UQAM - Université du Québec à Montréal = University of Québec in Montréal, UR - Université de Rennes
SciencePo Working papers Main from HAL
Abstract:
Depuis le début de leur histoire, les assureurs sont réputés utiliser des données pour classer et tarifer les risques. A ce titre, ils ont été assez tôt confrontés aux problèmes d'équité et de discrimination associées aux données. Pourtant, si cette question est récurrente, elle connait un regain d'importance avec l'accès à des données de plus en plus granulaires, massives et comportementales. Nous verrons ici comment les biais de l'apprentissage machine en assurance renouvellent ou transforment ce questionnement pour rendre compte des technologies et des préoccupations sociétales actuelles : paradoxalement, alors que la plupart de ces biais ne sont pas nouveaux, la recherche d'une équité pour les contrer, elle, se transforme.
Date: 2022-02-08
Note: View the original document on HAL open archive server: https://hal.science/hal-03561709
References: Add references at CitEc
Citations: Track citations by RSS feed
Downloads: (external link)
https://hal.science/hal-03561709/document (application/pdf)
Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.
Export reference: BibTeX
RIS (EndNote, ProCite, RefMan)
HTML/Text
Persistent link: https://EconPapers.repec.org/RePEc:hal:spmain:hal-03561709
Access Statistics for this paper
More papers in SciencePo Working papers Main from HAL
Bibliographic data for series maintained by Contact - Sciences Po Departement of Economics ().