책임감 있는 인공지능 (Responsible Artificial Intelligence) 의제 하에서, 개인 또는 사회 집단이 포함된 랭킹 (ranking) 문제의 핵심적인 관심사는 공정성 (Fairness)이 되었습니다. 다기준 의사결정 분석 (Multi-Criteria Decision Analysis, MCDA)에서 확률적 다기준 수용성 분석 (Stochastic Multicriteria Acceptability Analysis, SMAA)은 불확실성과 불완전한 선호 정보 (preference information)를 처리하기 위한 강력한 프레임워크를 제공하지만, 결과적인 랭킹에서 공정성을 명시적으로 다루지는 않습니다. 본 논문은 랭킹 문제를 위해 SMAA를 공정성 인지형으로 확장한 SMAA-Fair를 제안합니다. 이 접근 방식은 SMAA에 의해 생성된 시뮬레이션된 랭킹들을 집단 공정성 (group fairness) 수준에 따라 재가중치 (reweights)를 부여하며, 이를 통해 더 공정한 랭킹이 수용성 지수 (acceptability indices)와 중심 가중치 벡터 (central weights vector)에 더 강력하게 기여하도록 합니다. 이 프레임워크는 집계 모델 (aggregation model)과 독립적이며 다양한 공정성 지표 (fairness metrics)를 통합할 수 있습니다. 본 연구에서는 통계적 패리티 (Statistical Parity), 정규화된 할인 쿨백-라이블러 발산 (normalized discounted Kullback--Leibler divergence, rKL), 그리고 정규화된 할인 누적 쿨백-라이블러 발산 (normalized discounted cumulative Kullback--Leibler divergence, nDKL)이 채택되었습니다. 랭킹은 기대 랭킹 (expected ranking) 및 최대 수용성 랭킹 (maximum acceptability ranking)을 사용하여 공정성이 조정된 수용성 행렬 (acceptability matrix)로부터 도출됩니다. 또한 우리는 얻어진 랭킹의 공정성 정도에 따라 중심 가중치 (central weight)를 도출합니다. 합성 데이터 및 실제 데이터를 이용한 수치 실험 결과, SMAA-Fair는 선호 불확실성 (preference uncertainty)에 대한 강건성 (robustness)을 유지하면서도, 유리한 랭킹 위치 내에서 보호 집단 (protected groups)의 표현력을 향상시킴을 보여줍니다.