ປະຫວັດສາດໃຫມ່

ວິທີການ AI ສະຫນັບສະຫນູນຄວາມເຂັ້ມແຂງໂດຍເຫມາະສົມກັບຄວາມເພດແລະປະເພດ

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

ຍາວເກີນໄປ; ອ່ານ

ວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາໄລວິທະຍາ
featured image - ວິທີການ AI ສະຫນັບສະຫນູນຄວາມເຂັ້ມແຂງໂດຍເຫມາະສົມກັບຄວາມເພດແລະປະເພດ
Algorithmic Bias (dot tech) HackerNoon profile picture
0-item
ພາສາລາວ

Authors:

ພາສາລາວ

(1) Evan Shieh, ຜູ້ຊ່ຽວຊານດ້ານ Data Young ([email protected]);

(2) Faye-Marie Vassel, ວິທະຍາໄລ Stanford;

ພາສາລາວ

(3) Cassidy Sugimoto, School of Public Policy, Georgia Institute of Technology;

ພາສາລາວ

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

ພາສາລາວ

Authors:

(1) Evan Shieh, ຜູ້ຊ່ຽວຊານດ້ານ Data Young ([email protected]);

(2) Faye-Marie Vassel, ວິທະຍາໄລ Stanford;

(3) Cassidy Sugimoto, School of Public Policy, Georgia Institute of Technology;

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

ຕາຕະລາງ Links

ຊື່ຫຍໍ້ຂອງ : Abstract and 1 Introduction

1.1 ການເຮັດວຽກທີ່ກ່ຽວຂ້ອງແລະການຊ່ວຍເຫຼືອ

2 ວິທີການແລະການເກັບຮັກສາຂໍ້ມູນ

2.1 Proxies identity textual ແລະການປິ່ນປົວ sociopsychological

2.2 Modeling ປະເພດ, ການເດີນທາງທາງເພດ, ແລະສິລະປະ

3 ການທົບທວນຄືນ

3.1 ສັດຂອງ Omission

3.2 ປະເພດຂອງ subordination

3.3 ຄວາມປອດໄພຂອງ stereotyping

4 ການທົບທວນຄືນ, ການຢັ້ງຢືນແລະ References


SUPPLEMENTAL MATERIALS

ພະລັງງານການປະຕິບັດແລະ intersectionality

B ຂໍ້ມູນເຕັກໂນໂລຊີສູງ

B.1 Modeling ປະເພດແລະຄວາມສົນໃຈທາງເພດ

ປະເພດ B2 Model Race

B.3 ອັດຕະໂນມັດ Data Mining of Textual Cues

B.4 ການຄຸ້ມຄອງ Ratio

B5 ປະເພດ subordination

B.6 Median Racialized Subordination Ratio

B.7 Extended Cues ສໍາລັບການທົດສອບ stereotype

B.8 ວິທີການຢັ້ງຢືນ

ຊື່ຫຍໍ້ຂອງ : C

ຊື່ຫຍໍ້ຂອງ : C.1 Most Common Names Generated by LM per Race

C.2 ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ

D D DATAHEET ແລະການນໍາໃຊ້ໂດຍທົ່ວໂລກ

ຮູບພາບ ສໍາ ລັບ Laissez-Faire Prompts Dataset

3.2 ປະເພດຂອງ subordination

ສະຫນັບສະຫນູນຈາກກຸ່ມ minoritized ແມ່ນເພີ່ມຂຶ້ນຢ່າງກວ້າງຂວາງ, ໃນຂະນະທີ່ dynamics ພະລັງງານໄດ້ຮັບການເພີ່ມຂຶ້ນກັບ prompts, ໂດຍສະເພາະກັບການນໍາສະເຫນີຂອງ character subordinate (ຕາຕະລາງ 1). ໂດຍທົ່ວໄປ, ພວກເຮົາມີຄວາມຮູ້ສຶກວ່າ rases ແລະ characters minoritized ປະເພດເປັນສ່ວນໃຫຍ່ໃນຮູບເງົາທີ່ພວກເຂົາກໍາລັງຊອກຫາການຊ່ວຍເຫຼືອຫຼືບໍ່ມີພະລັງງານ. ພວກເຮົາມີຄຸນນະສົມບັດປະໂຫຍດປະລິມານຂອງພວກເຂົາໂດຍໃຊ້ການປະໂຫຍດຂອງ subordination (ເບິ່ງສະຖານທີ່ 4), ທີ່ພວກເຮົາມີຄຸນນະສົມບັດເປັນປະໂຫຍດຂອງການປະໂຫຍດ demographic ທີ່ໄດ້ຮັບການຊອກຫາໃນ roles subordinate ໃນຂະນະທີ່ roles dominant. ຮູບ 2


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.


ວິທີການນີ້ໃຫ້ພວກເຮົາມີຄວາມສາມາດໃນການຕັດສິນໃຈກ່ຽວກັບຄວາມແຕກຕ່າງທີ່ກ່ຽວຂ້ອງໃນຮູບພາບຂອງເອກະສານໃນເວລາທີ່ຄໍາສັ່ງພະລັງງານໄດ້ຖືກນໍາສະເຫນີ. ຖ້າຫາກວ່າປະເພດຂອງ subordination ແມ່ນຕ່ໍາກວ່າ 1, ພວກເຮົາມີຄວາມ dominance; ຖ້າຫາກວ່າປະເພດຂອງ subordination ແມ່ນຫຼາຍກ່ວາ 1, ພວກເຮົາມີຄວາມ subordination; ແລະ ຖ້າຫາກວ່າປະເພດຂອງ subordination ແມ່ນ 1, ພວກເຮົາມີຄວາມຕັດສິນໃຈທີ່ເຫມາະສົມ (ບໍ່ມີຕົວແທນຂອງ dynamics ພະລັງງານ).



ໃນຖານະເປັນຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄົ້ນຄວ້າ, ຜູ້ຊ່ຽວຊານໃນການຄ


ພວກເຮົາ ກໍາ ລັງເຮົາມີຄວາມຊ່ຽວຊານໃນການປິ່ນປົວຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພ.


ການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາແມ່ນການຄາດຄະເນດິນດີຕ້ອນຮັບຂອງພວກເຮົາ.



ຮູບພາບ 3c ເບິ່ງ intersectional median racialized subordination ratio by race and gender. We find large median subordination ratio for every binary gender intersection of Asian, Black, Latin, and MENA characters across all models and domains (recall that for non-binary characters, LMs do not produce a significant number of high-probability racialized names for any race except White, therefore our focus on binary genders for this analysis). ໃນ 86.67% of all cases (i.e. 104 of 120 table cells) minorized races are subordinated compared to 3% of all cases for White names (i.e. 1 of 30 cells). ຂະຫນາດຂອງການ subordination ratio we observe is staggering, even at the median level. In learning, Latin masculinized students are


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


ສໍາລັບການລັກສະນະເພີ່ມເຕີມຂອງການ subordination ນີ້ໂດຍລັກສະນະ, ໃນປະເພດ 3 ພວກເຮົາສະຫນອງການຄອມພິວເຕີສໍາລັບຊື່ທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງຢ່າງກວ້າງຂວາງໃນ LMs ໂດຍປະເພດ, ປະເພດ, ປະເພດ, ແລະສະຖານີພະລັງງານ (ສະຖານີພະລັງງານແມ່ນ neutral; dominant ແລະ subordinated ແມ່ນພະລັງງານ). ສະຖານີ Asian, Black, Latin, ແລະ MENA ແມ່ນປະເພດຕ່າງໆຂອງຂະຫນາດໃຫຍ່ທີ່ຄາດວ່າຈະໄດ້ຮັບການ subordinated ໃນເວລາທີ່ສະຖານີພະລັງງານໄດ້ຖືກນໍາໃຊ້. ໃນປັດຈຸບັນ, ສະຖານີ White ແມ່ນປະເພດຕ່າງໆຂອງຂະຫນາດໃຫຍ່ທີ່ຄາດວ່າຈະເປັນປະເພດຫຼາຍກວ້າງຂວາງຫຼາຍກວ້າງຂວາງຫຼາຍກວ້າງຂວາງຫຼາຍກວ


ໃນຖານະເປັນຜູ້ຊ່ຽວຊານຂອງການຝຶກອົບຮົມການຝຶກອົບຮົມແລະການຝຶກອົບຮົມການຝຶກອົບຮົມ, ຜູ້ຊ່ຽວຊານຂອງການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມການຝຶກອົບຮົມ


ພາສາລາວ

ເອກະສານນີ້ສາມາດເຂົ້າເຖິງໃນ archiv under CC BY 4.0 DEED License.

ພາສາລາວ

ເອກະສານນີ້ສາມາດເຂົ້າເຖິງໃນ archiv under CC BY 4.0 DEED License.

ສະຫນັບສະຫນູນໃນ Archives


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.

ວາງປ້າຍ

ບົດ​ຄວາມ​ນີ້​ໄດ້​ຖືກ​ນໍາ​ສະ​ເຫນີ​ໃນ...

Trending Topics

blockchaincryptocurrencyhackernoon-top-storyprogrammingsoftware-developmenttechnologystartuphackernoon-booksBitcoinbooks