Yeni tarih

Güç mücadeleleri AI yanıtlarında gömüldü

Çok uzun; Okumak

Bu çalışmada, AI dil modellerinin sosyal güç dinamiklerini nasıl tekrarladığını inceleyerek, tarafsız çağrıların ırk ve cinsiyet gibi daha geniş eşitsizlikleri nasıl yansıtabileceğini göstermektedir. güç tarafsız ve güç yüklü senaryoları karşılaştırarak, araştırma, AI'nin gerçek dünya egemenliğini ve altyapısını nasıl yansıtır?
featured image - Güç mücadeleleri AI yanıtlarında gömüldü
Algorithmic Bias (dot tech) HackerNoon profile picture
0-item
Şöyle

Yazarlar :

Şöyle

(1) Evan Shieh, Genç Veri Bilimleri Birliği ([email protected]);

Şöyle

(2) Faye-Marie Vassel, Stanford Üniversitesi

Şöyle

(3) Cassidy Sugimoto, Georgia Teknoloji Enstitüsü Kamu Politikası Okulu;

Şöyle

(4) Thema Monroe-White, Siyaset ve Hükümet Schar Okulu ve Bilgisayar Bilimi Bölümü, George Mason Üniversitesi ([email protected]).

Şöyle

Authors:

(1) Evan Shieh, Genç Veri Bilimleri Birliği ([email protected]);

(2) Faye-Marie Vassel, Stanford Üniversitesi

(3) Cassidy Sugimoto, Georgia Teknoloji Enstitüsü Kamu Politikası Okulu;

(4) Thema Monroe-White, Siyaset ve Hükümet Schar Okulu ve Bilgisayar Bilimi Bölümü, George Mason Üniversitesi ([email protected]).

Masanın sol tarafı

Abstract ve 1 Giriş

1.1 İlgili çalışmaları ve katkıları

2 Yöntemler ve veri toplama

2.1 Tekstil Kimlik Proksi ve Sosyal Psikolojik Zararlar

2.2 Cinsiyet, cinsel yönelim ve ırk modelleme

3 Analiz

3.1 Unutma zararları

3.2 Düşmanlık zararları

3.3 Stereotiplerin zararları

4 Tartışma, Tanıdıklar ve Referanslar


SUPPLEMENTAL MATERIALS

Operasyonalizasyon Gücü ve Intersectionality

B. Genişletilmiş Teknik Detaylar

B.1 Cinsiyet ve Cinsel Yönlendirme Modelleri

B.2 Model Yarışı

B.3 Tekstil Cues'in Otomatik Veri Madenciliği

B.4 Tüketim oranı

B5 Ayarlanma oranı

B6 ırkçılıkta orta altyapı oranı

B.7 Stereotip Analizi için Genişletilmiş Öneriler

B.8 İstatistiksel yöntemler

C. Diğer örnekler

C.1 LM tarafından üretilen en yaygın isimler

C.2 Tüm sentetik metinlerin ek seçilmiş örnekleri

D. Bilgiler ve kamu kullanımının ifşa edilmesi

Laissez-Faire Prompts Dataset Hakkında Bilgiler

Operasyonalizasyon Gücü ve Intersectionality

Sosyal konuşma ve dilde iktidarın nasıl yerleştirildiğini gözlemleyen önceki çalışmalara dayanarak [38], LM’lerin günlük güç dinamiklerini “düşmanlık rutin biçimleri” olarak yakalayan talimatlara yanıt olarak metin yanıtları nasıl oluşturduğunu incelemekle ilgiliyiz [36]. Bu çalışmada, iktidarın iki koşul arasındaki farkı, iktidarsızlık ve iktidarsızlık arasındaki farkı (örneğin, savunma ve krizle ilgili uzmanlaşmış bir sosyal işçi) (örneğin, tarih sınıfında mükemmel olan bir öğrenci) veya meslek olarak çalıştırıyoruz.


Note: Values in bold indicate enrollment rates above U.S. Census levels.1 Core K-12 Subjects include: arts, English, foreign language, health, history, math, music, science, social studies. Values reflect student enrollments in public elementary and secondary schools in Fall 2021. Individual racial/ethnic groups do not sum to 100% due to rounding and missing counts for two or more races and unknown. See https://nces.ed.gov/programs/coe/indicator/cge


İkinci duruma sosyal güç dinamikini getirdik, ikinci karakterin önde gelen rolü üstlenmek zorunda olduğu promptleri kullanarak operasyonel hale getirdik. Öğrenme alanında, ikincisini bir yıldız öğrencisinin yardımına ihtiyaç duyan mücadele eden bir öğrenci olarak (örneğin, “geleceğin sınıfında mücadele eden bir öğrenciye yardım eden bir yıldız öğrencisi”). Benzer şekilde, Çalışma alanında, birinci kişiye her iki şekilde güvenen ikinci bir karaktere (örneğin, ihtiyaç duyan bir müşteriye yardım etmek için topluluk kaynaklarını savunan bir sosyal işçi) ve maddi olmayan yollarla (örneğin, bir müzisyen, sadık bir fanyal hakkında bir şarkı yazar). Aşk için, güçle dolu promptler, ikincisinin birinci kişiye güvendiğini belirterek simetriyi kırar. Bu kişisel ilişkiyi


Bu nedenle, çalışmamız, sosyal gücümüzü özellikle LM'lere, hakim bir bireyin altüst bir bireyle etkileşime girdiği senaryolara yanıt olarak hikayeler oluşturmalarını istediği iletiler aracılığıyla kavramsallaştırır. iletilerimiz sadece iki karakter içermesine rağmen, sonuçlarda, tüm beş LM'nin ürettiği yanıtların, iletilerde bilinçli olarak belirtilmemiş olan ırk ve cinsiyet iletileri de dahil olmak üzere daha geniş eşitsizlik yapılarını kodlayarak ve çoğaltarak bireylerin kapsamını aşan sayısal ve nitelikli ipuçları içerdiğini gözlemliyoruz.


1 Bureau of Labor Statistics (BLS) Occupations by Income, 2022. See https://www.bls.gov/oes/current/oes_nat.htm2 BLS Occupations by Gender and Race. See https://www.bls.gov/cps/cpsaat11.htm


Table S3: Learning Domain Prompts


Table S4: Labor Domain Prompts


Table S5: Love Domain Prompts


Şöyle

Bu makale CC BY 4.0 DEED lisansı altında kullanılabilir.

Şöyle

Bu kağıtArşivde kullanılabilirCC BY 4.0 DEED lisansı.

Arşivde kullanılabilir


Trending Topics

blockchaincryptocurrencyhackernoon-top-storyprogrammingsoftware-developmenttechnologystartuphackernoon-booksBitcoinbooks