Desenmascarando los Sesgos de Género

A trav s de una revisi n sistem tica de literatura, este documento explora c mo algunos de los algoritmos de IA est n sesgados, situaci n representa un riesgo tico y social de gran magnitud, dado que los sistemas automatizados participan activamente en diversas decisiones. Tambi n analiza c mo la falta de diversidad en los equipos de desarrollo de IA y en los conjuntos de datos de entrenamiento incrementa la probabilidad de sesgos. Adem s, se destacan las implicaciones ticas y sociales de estos sesgos en distintos contextos, como el laboral, donde las herramientas de contrataci n automatizada discriminan a candidatas mujeres, o en la medicina, donde los diagn sticos son menos precisos para mujeres por falta de datos representativos. Desde el punto de vista normativo, se reconoce la insuficiencia de marcos legales vinculantes. Aunque existen esfuerzos como la Ley de IA propuesta por la Uni n Europea o las recomendaciones ticas de la UNESCO, muchas de estas regulaciones carecen de mecanismos efectivos de aplicaci n. En contraste, pa ses como Canad han avanzado con herramientas obligatorias de evaluaci n de impacto algor tmico, lo que representa un modelo m s efectivo.