<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Ethical aspects of automated systems in psychological diagnostics: an analytical review

Ескіз

Файли

28038.pdf (229,58 KB)

Дата

2026

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

This research paper examines the ethical dimensions of applying automated systems in psychological diagnostics.

Опис

Ключові слова

psychological diagnostics , artificial intelligence , machine learning , ethics , data privacy , algorithmic bias , informed consent

УДК

17:[004.891.3:159.9](043.2)

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.

ISSN

Бібліографічний опис

Дзюменко Г. Д., Теренчук А. Т. Ethical aspects of automated systems in psychological diagnostics: an analytical review // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/28038.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/54289

Зібрання

НТКП ВНТУ. Факультет інформаційних технологій та комп'ютерної інженерії (2026)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (12)

  1. Torous J., Keshavan M., Gutheil T. Promise and perils of digital psychiatry. Asian Journal of Psychiatry. 2014. Vol. 10. P. 1–3.
  2. Cummins N., Scherer S., Krajewski J., Schnieder S., Epps J., Quatieri T.F. A review of depression and suicide risk assessment using speech analysis. Speech Communication. 2015. Vol. 71. P. 10–49.
  3. Char D.S., Shah N.H., Magnus D. Implementing machine learning in health care – addressing ethical challenges. New England Journal of Medicine. 2018. Vol. 378. No. 11. P. 981–983.
  4. Bzdok D., Meyer-Lindenberg A. Machine learning for precision psychiatry: Opportunities and challenges. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 2018. Vol. 3. No. 3. P. 223–230.
  5. Price W.N., Cohen I.G. Privacy in the age of medical big data. Nature Medicine. 2019. Vol. 25. No. 1. P. 37–43.
  6. Rocher L., Hendrickx J.M., De Montjoye Y.A. Estimating the success of re-identifications in incomplete datasets using generative models. Nature Communications. 2019. Vol. 10. Research paper 3069.
  7. Doshi-Velez F., Kim B. Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. 2017.
  8. Buolamwini J., Gebru T. Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research. 2018. Vol. 81. P. 77–91.
  9. Mittelstadt B.D., Allo P., Taddeo M., Wachter S., Floridi L. The ethics of algorithms: Mapping the debate. Big Data & Society. 2016. Vol. 3. No. 2. P. 1–21.
  10. Topol E.J. High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine. 2019. Vol. 25. No. 1. P. 44–56.