Questa tesi indaga l'importanza della valutazione dell'equità nell'apprendimento automatico e in che modo i risultati dell'apprendimento automatico possono essere imprecisi se i dati sottostanti sono inadeguati o distorti. Molte metriche statistiche vengono introdotte per valutare l'equità dei dati, tuttavia la valutazione dell'equità assoluta è un processo difficile che potrebbe richiedere anche la considerazione di aspetti al di fuori del set di dati. La tesi presenta un'applicazione basata su un metodo per migliorare la consapevolezza dell'influenza delle procedure di campionamento e per evidenziare il ruolo della struttura dei dati nel pericolo di generare risultati discriminanti. Per ridurre la possibilità di discriminazione razziale come esempio nei set di dati utilizzati di frequente, viene applicata una tecnica di annotazione dei dati utilizzando l'inferenza statistica bayesiana.