Qui mesure les biais de l'IA envers les femmes de 45 ans et plus : une carte ouverte
Organisations et équipes de recherche qui testent l'IA pour détecter les biais d'âge et de genre.
La carte recense les organisations et les équipes de recherche qui publient des travaux sur les biais de l'IA selon l'âge, selon le genre ou selon les deux à la fois. Chaque entrée renvoie à sa source primaire, et l'ordre est alphabétique. La carte a été établie par Womafreesm. L'Audit 45-64 de Womafreesm figure sur la carte selon les mêmes règles, et nous le disons ouvertement.
Télécharger les données de la carte Lire l'Audit 45-64Comment une organisation est ajoutée à la carte
- Elle a publié, au cours des 24 derniers mois, des travaux sur les biais d'âge, les biais de genre ou les deux dans l'IA ou les systèmes automatisés.
- La méthode ou les résultats sont publics.
- Elle est active en 2026.
Chaque source a été ouverte et vérifiée : titre, date et contenu. Lorsqu'un éditeur bloque l'accès automatisé, la notice a été confirmée via Crossref ou OpenAlex. La carte est mise à jour une fois par trimestre, et chaque modification est consignée dans le journal des modifications à la fin de cette page.
La carte
Vérification du 22 octobre 2026. Ordre alphabétique.
| Organisation | Pays | Travaux et date | Ce qui est mesuré | Âge, genre ou les deux | Femmes âgées | Source primaire |
|---|---|---|---|---|---|---|
| Consortium FINDHR (projet Horizon Europe coordonné à l'Universitat Pompeu Fabra ; parmi les partenaires, AlgorithmWatch) | UE | Boîte à outils « Just Hiring! » à l'intention des responsables politiques (octobre 2025) ; jeu de données de 2 030 CV synthétiques avec l'âge, le genre et d'autres attributs | Outils et données de test pour détecter la discrimination intersectionnelle dans le recrutement par IA ; aucun résultat publié sur l'âge selon le genre | Âge x genre (cadre et données de test) | Cite les femmes âgées comme exemple de discrimination intersectionnelle | Source 1Source 2 |
| Union internationale des télécommunications (ITU), avec EY et le KAIST Aging & Technology Policy Lab | Agence de l'ONU, Genève ; République de Corée | « Artificial intelligence and ageing: Inclusive pathways for older persons in a digital world » (2026) | Écarts d'usage de l'IA selon l'âge et le genre, et risque que l'absence des femmes âgées dans les données d'entraînement ancre des biais ; les biais sont discutés, pas testés | Âge x genre (écarts d'usage et de données) | Attention particulière portée aux femmes âgées | Source |
| London School of Economics, CPEC (unité de politique et d'évaluation des soins) | Royaume-Uni | « Evaluating gender bias in large language models in long-term care », BMC Medical Informatics and Decision Making (11 août 2025) | Résumés produits par des modèles de langage à partir de dossiers de soins de 617 personnes âgées, avec inversion du genre | Genre, parmi les personnes âgées | Tous les dossiers concernent des personnes âgées ; pas de sous-groupes d'âge | Source |
| Stanford Graduate School of Business et UC Berkeley Haas School of Business | États-Unis | « Age and gender distortion in online media and large language models », Nature (8 octobre 2025) | Âge représenté des femmes et des hommes dans environ 1,4 million d'images et de vidéos et dans neuf modèles de langage, comparé aux données de recensement ; génération et évaluation de CV par ChatGPT | Âge x genre | Les femmes sont montrées plus jeunes ; ChatGPT supposait que les femmes étaient plus jeunes et moins expérimentées | Source |
| Université technique de sciences appliquées de Würzburg-Schweinfurt (THWS), Centre pour l'IA, avec la Constructor University Bremen et l'Université de Kassel | Allemagne | « Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models », arXiv (2025) | Réponses de modèles de langage pour des personas qui varient selon le sexe, l'origine ethnique et le statut migratoire, y compris des conseils de négociation salariale | Genre (avec l'origine) | Non traité | Source |
| Université Tsinghua, département de génie industriel, avec l'Université fédérale de Rio de Janeiro | Chine ; Brésil | « BiasLab: A Multilingual Dual-Framing Framework for LLM Bias Measurement, Applied to Workplace and HR Contexts », arXiv (janvier 2026) | Requêtes en miroir adressées à 10 modèles de langage dans 12 langues (43 200 réponses) sur des thèmes RH, dont le genre aux postes de direction et l'âge dans le recrutement | Âge et genre, séparément | Indique que les résultats pour les candidats plus âgés doivent encore être ventilés par genre | Source |
| UNESCO, avec Humane Intelligence | Agence de l'ONU, Paris | « Red Teaming artificial intelligence for social good: The PLAYBOOK » (1er juillet 2025) | Méthode de red teaming de l'IA générative pour détecter les biais, les stéréotypes et la violence fondée sur le genre facilitée par la technologie | Genre (méthode) | Non traité | Source |
| Universitat Oberta de Catalunya | Espagne | « Age does matter: Midjourney's visual representation of older adults and journalistic ethics », Observatorio OBS* (22 mai 2026) ; communication antérieure présentée à AoIR 2024 | 1 456 images générées par Midjourney pour les requêtes « personne » et « personne âgée » dans des activités quotidiennes | Âge x genre | Dans la communication de 2024, 70 % des images de « personne âgée » montraient des hommes | Source 1Source 2 |
| Université de L'Aquila, département de sciences humaines (avec le GSSI ; article de 2026 avec l'UOC, l'Université de Rome La Sapienza et l'Université LUMSA) | Italie | « Designed to exclude? Investigating visual ageism and sexism in text-to-image AI generative models » (CEUR-WS, octobre 2025) ; « Double standards of generative AI chatbots », Big Data & Society (3 février 2026) | Stéréotypes âgistes et sexistes dans les images générées et dans des entretiens avec cinq chatbots | Âge x genre | Mentionne la marginalisation des femmes âgées | Source 1Source 2 |
| Université de Melbourne, Melbourne Law School (N. Sheard) | Australie | « Algorithm-facilitated discrimination: a socio-legal study of the use by employers of artificial intelligence hiring systems », Journal of Law and Society (mai 2025) | Entretiens avec des professionnels des RH, des recruteurs et des développeurs sur la manière dont les systèmes de recrutement par IA créent des risques de discrimination, notamment par des indicateurs indirects de l'âge et du sexe | Âge et genre, séparément | Cite les femmes et les candidats de plus de 55 ans, et non les femmes âgées en tant que groupe | Source |
| Université de Washington (K. Wilson, A. Caliskan) | États-Unis | « Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval », AIES (octobre 2024) | Audit de la recherche de CV par des modèles d'embedding à l'aide de noms associés à une race et à un genre | Genre (avec la race) | Non traité | Source |
| Womafreesm, auteur de cette carte | États-Unis (enregistrement) ; travaux dans cinq pays | « Audit 45-64. Pilot P0 Report », version 1.2 (20 octobre 2026) | 960 réponses de deux assistants d'IA dans cinq pays et cinq langues : qui un système représente, comment il évalue une personne décrite et qui il sélectionne, pour des femmes de 45 à 64 ans et un groupe témoin de 25 à 39 ans | Âge x genre | Conçu autour des femmes de 45 à 64 ans | Source |
Ce que montre la carte
- Trois des onze autres entrées testent les productions de l'IA sur l'âge et le genre conjointement : Stanford et UC Berkeley, l'Universitat Oberta de Catalunya et l'Université de L'Aquila. Toutes trois travaillent sur des images ou du texte généré.
- Les seuils d'âge de ces études sont « personne âgée », 55+, 60+ ou 65+. Aucune d'elles ne teste les femmes à partir de 45 ans.
- Les audits du recrutement présents sur cette carte font varier le genre avec la race, ou étudient l'âge et le genre séparément. L'équipe de l'Université Tsinghua note dans son propre article que les résultats pour les candidats plus âgés doivent encore être ventilés par genre.
- L'Audit 45-64 est la seule entrée de cette carte conçue autour des femmes de 45 à 64 ans.
Liste de veille
Ces équipes ont publié des travaux pertinents pendant la période couverte, mais nous n'avons trouvé aucune activité en 2026 lors de la vérification. Elles rejoindront la carte dès qu'une telle activité apparaîtra.
- Université de Hong Kong, avec l'Académie chinoise des sciences : « Measuring gender and racial biases in large language models: Intersectional evidence from automated resume evaluation », PNAS Nexus (mars 2025). Genre avec la race ; pas d'âge. Source
- Université du Dakota du Nord, département de gériatrie : « Recapitulation of Ageism in Artificial Intelligence-Generated Images », Journal of Medical Internet Research (13 août 2025). Dans les images de personnes âgées, les figures masculines étaient plus nombreuses que les figures féminines. Source
Proposer une organisation
Si vous connaissez une organisation qui respecte les trois règles, envoyez-nous un lien vers ses travaux via le formulaire de contact. Nous vérifions chaque proposition selon les mêmes règles.
Données et citation
La carte est publiée en tant que jeu de données ouvert sur Zenodo sous licence CC BY 4.0, sous forme de fichier CSV avec une ligne par entrée.
Sukhomlinova, M. (2026). Who measures AI bias against women aged 45 and over: an open map, 2026 (edition 1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.23559251
Journal des modifications
22 octobre 2026 : première édition.