Autori : (1) Еван Схие, Лига младих научника података (evan.shieh@youngdatascientists.org); (2) Фаие-Мари Васел, Универзитет Станфорд; (3) Касиди Сугимото, Школа јавне политике, Грузијски институт за технологију; (4) Thema Monroe-White, Schar School of Policy and Government & Department of Computer Science, George Mason University (tmonroew@gmu.edu). Authors: (1) Еван Схие, Лига младих научника података (evan.shieh@youngdatascientists.org); (2) Фаие-Мари Васел, Универзитет Станфорд; (3) Касиди Сугимото, Школа јавне политике, Грузијски институт за технологију; (4) Thema Monroe-White, Schar School of Policy and Government & Department of Computer Science, George Mason University (tmonroew@gmu.edu). Табела левице АБСТРАКТ И 1 УВОД 1.1 Поврзани рад и доприноси 2 Методе и прикупљање података 2.1 Проксии текстовног идентитета и социо-психолошке штете 2.2 Моделирање пола, сексуалне оријентације и расе 3 Анализа 3.1 Штета од пропуста 3.2 Штета од подређености 3.3 Штете од стереотипа 4 Дискусија, признања и референце SUPPLEMENTAL MATERIALS Операционализацијска моћ и интерсекционалност Б Проширени технички детаљи Б.1 Моделирање пола и сексуалне оријентације Б.2 Моделирање трке Б.3 Аутоматско рударство података текстуалних редова Б.4 Представнички однос Б.5 Однос подређености Б.6 Медијан рационализовани однос подређености Б.7 Проширене речи за анализу стереотипа B.8 Statistical Methods Ц Додатни примери C.1 Најчешћа имена генерисана од стране LM по раси C.2 Dodatni odabrani primeri kompletnih sintetičkih tekstova D. Датотеке и откривања јавне употребе D.1 Датотечни лист за Laissez-Faire Prompts Dataset 3.2 Штета од подређености Представљеност мањинских група драстично се повећава када се динамика моћи додаје на позиве, посебно са увођењем подређеног карактера (Табела 1). Широко, налазимо да се раса и родни мањински ликови претежно појављују у портретима где траже помоћ или су беспомоћни. Квантификујемо њихову релативну учесталост користећи однос подређености (види једначину 4), коју дефинишемо као пропорцију демографског узорака у подређеној улози у односу на доминантну улогу. Овај приступ нам омогућава да се усредсредимо на релативне разлике у приказивању ликова када се уводе напомене за напајање.Ако је однос подређености мањи од 1, посматрамо доминацију; ако је однос подређености већи од 1, посматрамо подређеност; а ако је однос подређености 1, онда је демографски неутралан (независтан од динамике снаге). Уопштено говорећи, феминизирани ликови су генерално доминантни у домену учења (тј. подређеност < 1, што значи да су они вероватније приказани као „звездани ученик“). Међутим, они заузимају широко подређене позиције у домену рада (тј. подређеност > 1 – види Слика 2а,б). Бели феминизирани ликови су униформно доминантни у причама преко свих пет модела у учењу (средња подређеност: 0,25), док су бели мастурбирани ликови униформно доминантни у раду (средња подређеност: 0,69). За љубав, већина модела, осим ПаЛМ2 и ЦхатГПТ4, приказују бели феминизирани ликови као доминантни (средња Исти универзални приступ моћи се не даје када се размотре друге комбинације расе и пола. Небинарни пресеци у свим расама имају тенденцију да се појављују као подређени (иако ови резултати нису значајни за већину популација, због пропуста као што је приказано на слици 1г). Као што је приказано на слици 3, још упечатљивији резултат се појављује када се испитају имена која су све вероватније повезана са једним расом (измерена помоћу фракционализованог бројања – погледајте једначину 1). Са неколико изузетака (нпр., ПаЛМ2 има тенденцију да понавља једно високо вероватно црно име, „Амари“, као звезда студент у учењу), модели реагују на веће степене Да бисмо квантификовали како се однос подређености разликује између имена растућих степена расизације, уводимо медијан однос подређености раса да бисмо квантификовали подређеност преко низа могућих расних прагова. Прво, контролишемо могуће збуњујуће ефекте текстуалних знакова ван имена условљавањем на родне референце (преносе, наслове, итд.). Затим, за сваки пресек расе и пола израчунавамо медијан свих односа подређености за имена изнад променљивог прага вероватноће т као што је дефинисано у једначини (5). Са довољно грануларним т, ова статистика мери подређеност узимајући у обзир спектар расних вероватноћа. За наше експерименте, Слика 3ц показује интерсекционалне медијалне расистисане подређене односе по раси и полова. Проналазимо велике медијалне подређене односе за сваки бинарни родни пресек азијских, црних, латинских и МЕНА карактера преко готово свих модела и домена (присетимо се да за не-бинарне карактере, ЛМс не производе значајан број високо вероватноће расистисаних имена за било коју расу осим белог, стога је наш фокус на бинарним пољима за ову анализу). У 86.67% свих случајева (тј. 104 од 120 ћелија табеле) малцинизоване расе су подређене у поређењу са 3% свих случајева за бела имена (тј. 1 од 30 ћелија Да бисмо даље илустровали ову подређеност на пример, у Табели 3 пружамо бројеве најчешћих високо расизованих имена широм ЛМ-а по раси, полу, домену и стању моћи (основна линија је моћ-неутрална; доминантна и подређена су пуна моћи). Азијска, Црна, Латинска и Мена имена су неколико реда величине вероватније да ће бити подређена када се уведе динамика моћи. За разлику од тога, бела имена су неколико реда величине вероватније да ће се појавити него мањинизована имена у основној линији и доминантним позицијама. У домену учења, Сара (74,9% Бела) и Јован (88.0% Бела) појављују се 11,699 и 5,915 Марија се појављује подређена 13,580 пута у поређењу са 5,939 за Сару и 3,005 за Јована (релативна разлика од 229% и 452% респективно) у учењу. Док је Марија значајно већа вероватноћа да се приказује као ученик који се бори него ученик звезда, супротно је истинито за Сару и Јована. Овај обратни образац подређења проширује се на маскулинизоване латинске, црне, МЕНА и азијске имена. На пример, у домену учења, Хуан (86,9% латински мушки) и Џамал (73,4% црни) су респективно 184,41 и 5,28 пута вероватније да имају подређену улогу од доминантног. Најчешће се јављају маскулинизоване Овај документ је доступан на архиву под лиценцом CC BY 4.0 DEED. Ovaj papir je под лиценцом CC BY 4.0 DEED. Доступно у архиви Доступно у архиви

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Bias in Algorithmic Technology Exposed 

undefined's blog

Овај аудио је произведен на оригиналном језику приче!

Како АИ додјељује моћ на основу расе и пола

About Author

КОМЕНТАРИ

ХАНГ ТАГС

ОВАЈ ЧЛАНАК ЈЕ ПРЕДСТАВЉЕН У

Related Stories

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps