Identificar, classificar e integrar as variáveis utilizadas para investigar equidade e viés na tomada de decisão algorítmica, propondo uma cadeia de mensuração que conecte antecedentes, sistemas algorítmicos, métricas, decisões e consequências sociais e perceptuais.
O estudo oferece uma síntese transversal inédita das variáveis empregadas na pesquisa sobre equidade algorítmica e integra tradições computacionais, econômicas, comportamentais e organizacionais em um framework capaz de revelar lacunas entre mensuração, decisão e impacto social.
Realizou-se uma revisão sistemática integrativa, utilizando o PRISMA 2020 como guia de relato. Foram analisados 56 documentos elegíveis publicados entre 2020 e 2026, codificados quanto a atributos sensíveis, métricas, resultados, métodos e fundamentos teóricos.
Foram identificadas seis categorias de variáveis. Gênero e raça predominam entre os atributos sensíveis, enquanto paridade estatística, impacto díspar e equalized odds concentram as métricas. Variáveis proxy são frequentes, mas consequências socioeconômicas permanecem pouco mensuradas.
O artigo propõe a Algorithmic Fairness Measurement Chain, que integra tradições antes desconectadas e organiza as variáveis ao longo do processo decisório. A estrutura oferece orientação metodológica para selecionar medidas, combinar níveis de análise e desenvolver estudos empíricos.
O framework apoia pesquisadores, gestores, desenvolvedores e formuladores de políticas na auditoria de sistemas algorítmicos, identificação de variáveis proxy, escolha de métricas e fortalecimento da transparência, responsabilização e governança responsável da inteligência artificial em decisões de alto impacto.
To identify, classify, and integrate the variables used to investigate fairness and bias in algorithmic decision-making, proposing a measurement chain that connects antecedents, algorithmic systems, metrics, decisions, and societal and perceptual consequences.
The study provides an original cross-domain synthesis of variables used in algorithmic fairness research and integrates computational, economic, behavioral, and organizational traditions into a framework that reveals gaps between measurement, decision-making, and societal impact.
A systematic integrative literature review used PRISMA 2020 as a reporting guide. Fifty-six eligible documents published between 2020 and 2026 were coded for sensitive attributes, fairness metrics, outcomes, methods, and theoretical foundations.
Six variable categories were identified. Gender and race dominate sensitive attributes, while statistical parity, disparate impact, and equalized odds prevail among metrics. Proxy variables are recurrent, whereas downstream socioeconomic consequences remain largely unmeasured.
The article proposes the Algorithmic Fairness Measurement Chain, integrating previously disconnected traditions and organizing variables throughout the decision process. The framework provides methodological guidance for selecting measures, combining levels of analysis, and designing future empirical studies.
The framework supports researchers, managers, developers, and policymakers in auditing algorithmic systems, identifying proxy variables, selecting appropriate metrics, and strengthening transparency, accountability, and responsible artificial intelligence governance in high-stakes decisions.