Detailansicht
Bias und Fairness in künstlicher Intelligenz
Omed Noory
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Betriebswirtschaft
Betreuer*in
Josef Windsperger
DOI
10.25365/thesis.82074
URN
urn:nbn:at:at-ubw:1-16090.92606.662347-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Algorithmischer Bias und Fairness in Systemen der Künstlichen Intelligenz zählen zu den zentralen ethischen und technischen Herausforderungen der gegenwärtigen KI-Entwicklung. Die vorliegende Arbeit untersucht den aktuellen Forschungsstand zu Bias und Fairness in KI-Systemen mittels einer systematischen Literaturanalyse (SLR) nach dem PRISMA-2020-Standard. Auf Basis einer Recherche in vier Datenbanken (PubMed/PMC, Springer Link, JSTOR, arXiv) wurden aus 4.229 identifizierten Quellen 66 Studien in die finale Synthese eingeschlossen. Die Analyse gliedert sich in vier thematische Schwerpunkte: Bias in großen Sprachmodellen (LLMs), Bias in der klinischen KI, Fairness-Metriken und deren formale Grenzen sowie Mitigation-Strategien. Die Befunde zeigen, dass Bias über demografische Dimensionen hinweg systematisch in LLMs und klinischen Modellen nachweisbar ist und auf identifizierbare Mechanismen in der Datenpipeline zurückgeführt werden kann. Formale Unmöglichkeitstheoreme belegen, dass keine einzelne Fairness-Metrik alle relevanten Kriterien simultan erfüllen kann. Mitigation-Strategien sind zwar nachweislich wirksam, jedoch stets kontextabhängig und durch institutionelle Rahmenbedingungen begrenzt. Der EU AI Act setzt erste verbindliche regulatorische Leitplanken, lässt jedoch bei der konkreten Metrikwahl erheblichen Interpretationsspielraum. Die Arbeit kommt zu dem Schluss, dass eine nachhaltige Adressierung von KI-Bias die koordinierte Weiterentwicklung technischer, methodischer und regulatorischer Ansätze erfordert. Schlüsselwörter: Algorithmischer Bias, Fairness in KI, Large Language Models, Gesundheits-KI, Systematische Literaturanalyse, EU AI Act, Mitigation-Strategien
Abstract
(Englisch)
Algorithmic bias and fairness in artificial intelligence systems represent among the most pressing ethical and technical challenges in contemporary AI development. This thesis examines the current state of research on bias and fairness in AI systems through a systematic literature review (SLR) conducted in accordance with the PRISMA 2020 guidelines. Based on searches across four databases (PubMed/PMC, Springer Link, JSTOR, and arXiv), 66 studies were selected for final synthesis from 4,229 identified records. The analysis is structured around four thematic areas: bias in large language models (LLMs), bias in clinical AI, fairness metrics and their formal limitations, and mitigation strategies. Findings demonstrate that bias is systematically present across demographic dimensions in both LLMs and clinical models, and is traceable to identifiable mechanisms within the data and modelling pipeline. Formal impossibility theorems establish that no single fairness metric can simultaneously satisfy all relevant criteria. Mitigation strategies, while demonstrably effective, are inherently context-dependent and constrained by institutional conditions. The EU AI Act introduces the first binding regulatory framework, though it leaves considerable interpretive latitude regarding the choice of specific fairness metrics. The thesis concludes that durable progress on AI bias requires coordinated advancement across technical, methodological, and regulatory dimensions simultaneously. Keywords: Algorithmic Bias, AI Fairness, Large Language Models, Healthcare AI, Systematic Literature Review, EU AI Act, Mitigation Strategies
Schlagwörter
Schlagwörter
(Deutsch)
Algorithmischer Bias Fairness in KI Large Language Models Gesundheits-KI Systematische Literaturanalyse EU AI Act Mitigation-Strategien
Schlagwörter
(Englisch)
Algorithmic Bias AI Fairness Large Language Models Healthcare AI Systematic Literature Review EU AI Act Mitigation Strategies
Autor*innen
Omed Noory
Haupttitel (Deutsch)
Bias und Fairness in künstlicher Intelligenz
Paralleltitel (Englisch)
Bias and fairness in artificial intelligence
Publikationsjahr
2026
Umfangsangabe
65 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Josef Windsperger
AC Nummer
AC18046687
Utheses ID
82469
Studienkennzahl
UA | 066 | 915 | |