論文の概要: Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping
When Visualizing Social Outcomes
- arxiv url: http://arxiv.org/abs/2208.04440v2
- Date: Sun, 25 Sep 2022 19:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:24:22.806848
- Title: Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping
When Visualizing Social Outcomes
- Title（参考訳）: 分散と格差: 社会的成果を視覚化する際に、変動を隠すことはステレオタイプを促進する
- Authors: Eli Holder, Cindy Xiong
- Abstract要約: バーチャートは赤字思考を促進する可能性がある。
クラウドワーカーは、データの変動を隠蔽するか、データの変動を強調する社会的成果を視覚化する。
グループ内での多様性を強調する視覚化を見たとき、彼らは個人的説明にはあまり同意しなかった。
- 参考スコア（独自算出の注目度）: 5.33024001730262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visualization research often focuses on perceptual accuracy or helping
readers interpret key messages. However, we know very little about how chart
designs might influence readers' perceptions of the people behind the data.
Specifically, could designs interact with readers' social cognitive biases in
ways that perpetuate harmful stereotypes? For example, when analyzing social
inequality, bar charts are a popular choice to present outcome disparities
between race, gender, or other groups. But bar charts may encourage deficit
thinking, the perception that outcome disparities are caused by groups'
personal strengths or deficiencies, rather than external factors. These faulty
personal attributions can then reinforce stereotypes about the groups being
visualized. We conducted four experiments examining design choices that
influence attribution biases (and therefore deficit thinking). Crowdworkers
viewed visualizations depicting social outcomes that either mask variability in
data, such as bar charts or dot plots, or emphasize variability in data, such
as jitter plots or prediction intervals. They reported their agreement with
both personal and external explanations for the visualized disparities.
Overall, when participants saw visualizations that hide within-group
variability, they agreed more with personal explanations. When they saw
visualizations that emphasize within-group variability, they agreed less with
personal explanations. These results demonstrate that data visualizations about
social inequity can be misinterpreted in harmful ways and lead to stereotyping.
Design choices can influence these biases: Hiding variability tends to increase
stereotyping while emphasizing variability reduces it.
- Abstract（参考訳）: 可視化研究は、しばしば知覚精度に焦点を当てたり、読者がキーメッセージを解釈するのを手助けする。
しかし、チャートデザインがデータの背後にいる人々の認識にどのように影響するかについてはほとんどわかっていない。
特に、デザインは有害なステレオタイプを持続する方法で読者の社会的認知バイアスと相互作用できるだろうか?
例えば、社会的不平等を分析する場合、バーチャートは人種、性別、その他のグループ間の結果格差を示すための一般的な選択である。
しかし、バーチャートは、結果の相違が外部要因ではなく、グループの個人的強みや欠陥によって引き起こされるという、欠陥思考を促進する可能性がある。
これらの欠点のある個人属性は、可視化されているグループに関するステレオタイプを強化することができる。
帰属バイアス(つまり欠陥思考)に影響を与える設計選択を検討する4つの実験を行った。
群衆は、バーチャートやドットプロットのようなデータの変動を隠蔽したり、ジッタプロットや予測インターバルのようなデータの変動を強調するような、社会的成果を視覚化している。
彼らは、可視化された格差に関する個人的および外部的な説明との合意を報告した。
全体として、参加者はグループ内の多様性を隠蔽する可視化を見たとき、より個人的な説明に同意した。
グループ内での多様性を強調する視覚化を見たとき、彼らは個人的説明にはあまり同意しなかった。
これらの結果は、社会的不平等に関するデータの可視化が有害な方法で誤解され、ステレオタイプに繋がることを示している。
設計上の選択は、これらのバイアスに影響を与える可能性がある。
関連論文リスト
- Stable Diffusion Exposed: Gender Bias from Prompt to Image [25.702257177921048]
本稿では,安定拡散画像における生成過程の各ステップにおける性別指標の影響を解析する評価プロトコルを提案する。
以上の結果から,特定の性別に合わせて調整された楽器や,全体のレイアウトの変化など,物体の描写の違いの存在が示唆された。
論文 参考訳（メタデータ） (2023-12-05T10:12:59Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Visual Elements and Cognitive Biases Influence Interpretations of Trends
in Scatter Plots [35.01352703292658]
外層部は傾向知覚を歪ませるが、他の点よりも影響が少ない。
トレンドラインはトレンドを強くする一方で、一部の外れ値の影響を緩和する。
人々の信念は弱いが強い相関関係は持たない。
論文 参考訳（メタデータ） (2023-10-23T23:39:35Z) - The Tail Wagging the Dog: Dataset Construction Biases of Social Bias
Benchmarks [75.58692290694452]
社会的偏見と、データセット構築時に選択された選択から生じる非社会的偏見を比較し、人間の目では識別できないかもしれない。
これらの浅い修正は、様々なモデルにまたがるバイアスの程度に驚くべき影響を及ぼす。
論文 参考訳（メタデータ） (2022-10-18T17:58:39Z) - Gender Stereotyping Impact in Facial Expression Recognition [1.5340540198612824]
近年,機械学習に基づくモデルが表情認識(FER)における最も一般的なアプローチとなっている。
公開可能なFERデータセットでは、見かけ上の性別表現は概ねバランスが取れているが、個々のラベルでの性別表現はそうではない。
我々は、特定のラベルの性別比を変化させることで、異なる量のステレオタイプバイアスを持つ微分データセットを生成する。
我々は、最低バイアス条件下で、性別間の特定の感情の認識において、最大で29 % の差を観察する。
論文 参考訳（メタデータ） (2022-10-11T10:52:23Z) - Causal Transportability for Visual Recognition [70.13627281087325]
画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。
次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。
これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
論文 参考訳（メタデータ） (2022-04-26T15:02:11Z) - Enabling News Consumers to View and Understand Biased News Coverage: A
Study on the Perception and Visualization of Media Bias [7.092487352312782]
手動で3つのアノテートデータセットを作成し、さまざまな視覚化戦略をテストする。
その結果, 対照群と比較して, 治療群の偏見に気付く効果は認められなかった。
多段階モデルを用いて、ジャーナリストの偏見は、記事の政治的極性や公平性に大きく関係していることがわかった。
論文 参考訳（メタデータ） (2021-05-20T10:16:54Z) - Quantifying Learnability and Describability of Visual Concepts Emerging
in Representation Learning [91.58529629419135]
我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。
本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
論文 参考訳（メタデータ） (2020-10-27T18:41:49Z) - Information Consumption and Social Response in a Segregated Environment:
the Case of Gab [74.5095691235917]
この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。
疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。
本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
論文 参考訳（メタデータ） (2020-06-03T11:34:25Z) - Contrastive Examples for Addressing the Tyranny of the Majority [83.93825214500131]
我々は,グループメンバーシップを介在する,オリジナルのデータセットと新たなデータポイントからなるバランスの取れたトレーニングデータセットを作成することを提案する。
コントラッシブ・サンプル(英語版)と呼ばれるこれらのデータポイントを学習するための強力なツールとして、現在の生成的敵ネットワークが重要であることを示す。
論文 参考訳（メタデータ） (2020-04-14T14:06:44Z)
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。