ប្រវត្តិសាស្ត្រថ្មី។

តើធ្វើដូចម្តេចដែល AI អនុញ្ញាតឱ្យមានសមត្ថភាពដោយផ្អែកលើប្រភេទនិងប្រភេទ

ដោយ Algorithmic Bias (dot tech)7m2025/04/22
Read on Terminal Reader

យូរ​ពេក; អាន

គំនូរជីវចលមិនគ្រាន់តែបាត់បង់—ពួកគេបានបាត់បង់។ នៅពេលដែលគំនូរជីវចលរួមបញ្ចូលគ្នានៃប្រសិទ្ធិភាព, គំនូរជីវចលដែលត្រូវបានបាត់បង់ជាទំហំទូលាយត្រូវបានបាត់បង់នៅក្នុងគំនូរប្រសើរជាងមុន។ គំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវចលដែលត្រូវបានបាត់បង់ជាគំនូរជីវ
featured image - តើធ្វើដូចម្តេចដែល AI អនុញ្ញាតឱ្យមានសមត្ថភាពដោយផ្អែកលើប្រភេទនិងប្រភេទ
Algorithmic Bias (dot tech) HackerNoon profile picture
0-item
សត្វ

អ្នកនិពន្ធ :

សត្វ

(1) លោក Evan Shieh, អ្នកវិទ្យាសាស្រ្តទិន្នន័យក្មេង ([email protected]) ។

សត្វ

(2) Faye-Marie Vassel, សាកលវិទ្យាល័យ Stanford ។

សត្វ

(3) Cassidy Sugimoto, សាកលវិទ្យាល័យគោលបំណងសាធារណៈ, Georgia Institute of Technology;

សត្វ

(4) Thema Monroe-White, Schar School of Policy and Government & Department of Computer Science, សាកលវិទ្យាល័យ George Mason ([email protected]) ។

សត្វ

Authors:

(1) លោក Evan Shieh, អ្នកវិទ្យាសាស្រ្តទិន្នន័យក្មេង ([email protected]) ។

(2) Faye-Marie Vassel, សាកលវិទ្យាល័យ Stanford ។

(3) Cassidy Sugimoto, សាកលវិទ្យាល័យគោលបំណងសាធារណៈ, Georgia Institute of Technology;

(4) Thema Monroe-White, Schar School of Policy and Government & Department of Computer Science, សាកលវិទ្យាល័យ George Mason ([email protected]) ។

កុំព្យូទ័រ

សៀវភៅ & 1 Introduction

1.1 ការធ្វើការនិងការផ្លាស់ប្តូរ

2 ឧបករណ៍និងការប្រមូលទិន្នន័យ

2.1 សៀវភៅអ៊ីនធឺណិត Proxies និងសកម្មភាពសុខភាពសង្គម

2.2 ម៉ូឌុលទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាពទិដ្ឋភាព

3 ការវិភាគ

3.1 គោលបំណងនៃការបាត់បង់

4.2 គោលបំណងនៃការ subordination

3.3 គោលបំណងនៃការ stereotyping

4 ការពិភាក្សា, ការទទួលស្គាល់និងពាក្យបំណង


SUPPLEMENTAL MATERIALS

សមត្ថភាពប្រតិបត្តិការនិង intersectionality

B លក្ខណៈពិសេសបច្ចេកទេស

B.1 ម៉ូឌុលប្រភេទនិងគោលបំណងផ្លូវភេទ

B.2 គំរូ ការប្រកួត

B.3 ការកាត់បន្ថយទិន្នន័យដោយស្វ័យប្រវត្តិនៃសៀវភៅ

B.4 ការបណ្តុះបណ្តាល

B5 ទំហំ subordination

B6 - Median racialized subordination ratio ។

B.7 គោលបំណងបន្ថែមសម្រាប់ការវិភាគ stereotype

B.8 វិញ្ញាបនប័ត្រ

C សំរាប់បន្ថែមទៀត

C.1 ឈ្មោះជាច្រើនបំផុតដែលបានបង្កើតឡើងដោយ LM per Race

C.2 ឧទាហរណ៍ដែលបានជ្រើសរើសបន្ថែមទៀតនៃសម្ភារៈសម្ភារៈពេញលេញ

D ការបង្ហាញទិន្នន័យនិងការប្រើប្រាស់សាធារណៈ

កុំព្យូទ័រទិន្នន័យ Laissez-Faire Prompts

4.2 គោលបំណងនៃការ subordination

ទោះជាយ៉ាងណាក៏ដោយយើងបានរកឃើញប្រភេទនិងប្រភេទដែលមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទមានប្រភេទ


Figure 2. Overall Subordination Ratios by Gender and Race. 2a shows subordination ratios across all domains and models, increasing from left to right. Ratios for each model are indicated by different symbols plotted on a log scale, with a bar showing the median across all five models. Redder colors represent greater degrees of statistical confidence (p-values for the ratio distribution), compared against the null hypothesis (subordination ratio = 1, dotted). 2b shows the median subordination values across all five models by gender, race, and domain. Values above 1 indicate greater degrees of subordination and values below 1 indicate greater degrees of domination.


គោលបំណងនេះអនុញ្ញាតឱ្យយើងដើម្បីផ្តោតលើការផ្សេងគ្នានៅក្នុងការបង្ហាញរូបភាពនៃរូបភាពនៅពេលដែលការបង្ហាញថាមពលត្រូវបានបង្កើតឡើង។ ប្រសិនបើទំហំការបាត់បន្ថយគឺតិចជាង 1, យើងមើលឃើញការបាត់បន្ថយ; ប្រសិនបើទំហំការបាត់បន្ថយគឺច្រើនជាង 1, យើងមើលឃើញការបាត់បន្ថយ; និង ប្រសិនបើទំហំការបាត់បន្ថយគឺ 1, បន្ទាប់មកទំហំការបាត់បន្ថយគឺមិនត្រឹមត្រូវ (បាត់បន្ថយការបាត់បន្ថយ) ។



ទោះជាយ៉ាងណាក៏ដោយពួកគេមានទីតាំងស្ថិតនៅតំបន់បណ្តាញសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈសិល្បៈស


ទោះបីជាផលិតផលនេះមិនមានប្រសិទ្ធិភាពសម្រាប់មនុស្សពេញវ័យជាច្រើនដូចដែលបានបង្ហាញនៅក្នុងរូបថត 1d ។ ដូចដែលបានបង្ហាញនៅក្នុងរូបថត 3 គឺមានផលិតផលដ៏ស្រស់ស្អាតជាងមុនដែលបានបង្ហាញនៅពេលដែលយើងមើលឃើញឈ្មោះដែលមានប្រសិទ្ធិភាពខ្ពស់ជាងមុនដើម្បីត្រូវបានភ្ជាប់ជាមួយនឹងប្រភេទមួយ (ប្រមាណដោយប្រើការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណនានៃការគណ


ដើម្បីកាត់បន្ថយរបៀបដែលតម្រូវការនៃការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់បន្ថយការបាត់ប



រូបថត 3c បានបង្ហាញពីទំហំប្រហែលមធ្យមប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហែលប្រហ


Figure 3. Subordination Ratios by Name and Racial Likelihoods. 3a shows subordination ratios, increasing from left to right per plot, of unique first names across all LMs, by race for which likelihoods vary (the models do not generate high likelihood NH/PI or AI/AN names as shown in 1c). When a name has 0 occurrences in either dominant or subordinated roles, we impute using Laplace smoothing. 3b plots overall subordination across all models above a racial likelihood threshold ranging from 0 to 100. 3c. shows the median subordination ratio taken across all integer thresholds from 0 to 100, controlling for the effects of gender and categorized by domain, model, race, and gender (for non-binary characters, the models do not generate high likelihood racial names as shown in 1d).


Table 3: Most Common Highly Racialized Names by Race and Gender, Domain and Power Condition


ដើម្បីបង្ហាញបច្ចុប្បន្ននេះដោយឧទាហរណ៍នៅក្នុងតម្រូវការ 3 យើងផ្តល់ការគណនានៃឈ្មោះដែលមានប្រសិទ្ធិភាពខ្ពស់បំផុតនៅលើ LMs ដោយប្រសិនបើជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀងរាល់ជារៀង


ទោះជាយ៉ាងណាក៏ដោយប្រសិនបើវាជាការប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោជន៍ក្នុងការធ្វើឱ្យប្រសិនបើអ្នកមានអត្ថប្រយោ


សត្វ

សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 DEED ។

សត្វ

សៀវភៅនេះអាចរកបាននៅលើ archiv នៅក្រោមការអនុញ្ញាត CC BY 4.0 DEED ។

អាសយដ្ឋាន Archive


L O A D I N G
. . . comments & more!

About Author

Algorithmic Bias (dot tech) HackerNoon profile picture
Algorithmic Bias (dot tech)@algorithmicbias
Explore the intersection of AI, game theory, and behavioral strategies.

ព្យួរស្លាក

អត្ថបទនេះត្រូវបានបង្ហាញនៅក្នុង...

Trending Topics

blockchaincryptocurrencyhackernoon-top-storyprogrammingsoftware-developmenttechnologystartuphackernoon-booksBitcoinbooks