論文の概要: Perspectives and Challenges in the Analysis of Prison Systems Data: A
Systematic Mapping
- arxiv url: http://arxiv.org/abs/2101.03539v3
- Date: Fri, 5 Nov 2021 01:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 04:43:49.944420
- Title: Perspectives and Challenges in the Analysis of Prison Systems Data: A
Systematic Mapping
- Title（参考訳）: 刑務所システムデータ分析の展望と課題--体系的マッピング
- Authors: Glauco de Figueiredo Carneiro, Rafael Antonio Lima Cardoso, Antonio
Pedro Dores, Jos\'e Euclimar Xavier Menezes
- Abstract要約: 刑務所のシステムからのデータの識別と分析は、簡単な作業ではない。
これにより、研究コミュニティは、これらのデータがどのように作成され、使用されているかを知る必要が生じる。
われわれは2000年から2019年の間に出版されたピアレビュー研究から得られた刑務所システム元データに関する既存の証拠を体系的にマッピングした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Open public data enable different stakeholders to perform analysis
and uncover information from different perspectives. The identification and
analysis of data from prison systems is not a trivial task. It raises the need
for the research community to know how these data have been produced and used.
Goal: Analyze prison systems data for the purpose of characterizing its use
with respect to data sources, purpose and availability. Method: We performed a
systematic mapping on existing evidence on prison systems original data from
peer-reviewed studies published between 2000 and 2019. Results: Out of the 531
records, 196 articles were selected from the literature. Conclusion: The vast
majority of the analyzed papers (75%) used restricted data. Only 18 studies
(9%) provided data, which hampers replication initiatives. This indicates the
need to analyze prison system in an integrated fashion, in which
multidisciplinary and transparency are relevant issues to consider in such
studies.
- Abstract（参考訳）: コンテキスト: オープンパブリックデータは、さまざまな利害関係者が分析を行い、異なる視点から情報を明らかにすることを可能にする。
刑務所のシステムからのデータの識別と分析は、簡単な作業ではない。
これにより、研究コミュニティがこれらのデータがどのように作成され、使用されているかを知る必要が生じる。
目標: データソース、目的、可用性に関する使用を特徴付ける目的で、刑務所のシステムデータを分析する。
方法:2000年から2019年の間に公表されたピアレビュー研究のオリジナルデータから,刑務所システムに関する既存の証拠を体系的にマッピングした。
結果:531件のうち196件が文献から選考された。
結論: 分析された論文の75%が制限されたデータを使用した。
18の研究(9%)のみがデータを提供し、複製のイニシアチブを妨害した。
このことは、複数の学派と透明性が関連する問題である刑務所制度を統合的に分析する必要性を示している。
関連論文リスト
- SyROCCo: Enhancing Systematic Reviews using Machine Learning [6.805429133535976]
本稿では,システムレビュープロセスのナビゲートを支援する機械学習技術について検討する。
データ抽出やエビデンスマッピングといったレビューのその後の段階へのML技術の適用は、その初期段階にある。
論文 参考訳（メタデータ） (2024-06-24T11:04:43Z) - Lazy Data Practices Harm Fairness Research [49.02318458244464]
本稿では,公正な機械学習データセットを包括的に分析し,不反射的手法がアルゴリズム的公正度発見の到達度と信頼性をいかに妨げているかを示す。
本分析では,(1)データと評価における特定の保護属性の表現のテクスブフラック,(2)データ前処理におけるマイノリティの広汎なテキストbf,(3)フェアネス研究の一般化を脅かすテキストbfopaqueデータ処理の3つの分野について検討した。
この研究は、公正なMLにおけるデータプラクティスの批判的な再評価の必要性を強調し、データセットのソーシングと使用の両方を改善するための指針を提供する。
論文 参考訳（メタデータ） (2024-04-26T09:51:24Z) - A Survey on Data Selection for Language Models [148.300726396877]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳（メタデータ） (2024-02-26T18:54:35Z) - Meta-survey on outlier and anomaly detection [0.0]
本稿では,一般的な調査の体系的メタサーベイと,異常検出と異常検出に関するレビューを実装した。
2つの専門的な科学的な検索エンジンを使って500近い論文を集めている。
本稿は,20年間にわたる外乱検出フィールドの進化を考察し,新たなテーマと方法を明らかにする。
論文 参考訳（メタデータ） (2023-12-12T09:29:22Z) - De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - CSMeD: Bridging the Dataset Gap in Automated Citation Screening for
Systematic Literature Reviews [10.207938863784829]
CSMeDは9つの公開コレクションを統合したメタデータセットである。
CSMeDは自動引用スクリーニングモデルの性能を訓練し評価するための総合的なリソースとして機能する。
我々はCSMeD-FTを導入した。CSMeD-FTは、全文パブリッシュスクリーニングタスクを明示的に評価するために設計された新しいデータセットである。
論文 参考訳（メタデータ） (2023-11-21T09:36:11Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Representation Bias in Data: A Survey on Identification and Resolution
Techniques [26.142021257838564]
データ駆動型アルゴリズムは、それらが扱うデータと同程度にしか機能しないが、データセット、特にソーシャルデータはしばしば、マイノリティを適切に表現できない。
データにおける表現バイアスは、歴史的差別から、データ取得と作成方法におけるバイアスのサンプリングまで、さまざまな理由により起こりうる。
本稿では,後日どのように消費されるかに関わらず,表現バイアスをデータセットの特徴として同定し,解決する方法についての文献をレビューする。
論文 参考訳（メタデータ） (2022-03-22T16:30:22Z) - Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。
研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。
公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。
残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
論文 参考訳（メタデータ） (2022-02-03T17:25:46Z) - Yes-Yes-Yes: Donation-based Peer Reviewing Data Collection for ACL
Rolling Review and Beyond [58.71736531356398]
本稿では、ピアレビューデータについて詳細な議論を行い、ピアレビューデータ収集のための倫理的・法的デシダータの概要を述べるとともに、最初の継続的な寄付ベースのデータ収集ワークフローを提案する。
本稿では、ACL Rolling Reviewにおいて、このワークフローの現在進行中の実装について報告し、新たに収集したデータから得られた最初の洞察を提供する。
論文 参考訳（メタデータ） (2022-01-27T11:02:43Z) - Detecting discriminatory risk through data annotation based on Bayesian
inferences [5.017973966200985]
本稿では,与えられたデータセットの判別結果のリスクについて警告することを目的としたデータアノテーション手法を提案する。
機械学習コミュニティが一般的にアクセスする3つのデータセット上で,我々のシステムを実証的にテストする。
論文 参考訳（メタデータ） (2021-01-27T12:43:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。