論文の概要: Biases in Scholarly Recommender Systems: Impact, Prevalence, and Mitigation

• arxiv url: http://arxiv.org/abs/2301.07483v1
• Date: Wed, 18 Jan 2023 12:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 15:58:26.901304
• Title: Biases in Scholarly Recommender Systems: Impact, Prevalence, and Mitigation
• Title（参考訳）: 学術レコメンダシステムにおけるバイアス:影響, 有病率, 緩和
• Authors: Michael F\"arber, Melissa Coutinho, Shuzhou Yuan
• Abstract要約: 学術推薦システムのバイアスを分解し、その影響と頻度に応じて特徴付ける。 研究者や開発者が学術推薦システムにおけるバイアスを軽減するために使用できるフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the remarkable increase in the number of scientific entities such as publications, researchers, and scientific topics, and the associated information overload in science, academic recommender systems have become increasingly important for millions of researchers and science enthusiasts. However, it is often overlooked that these systems are subject to various biases. In this article, we first break down the biases of academic recommender systems and characterize them according to their impact and prevalence. In doing so, we distinguish between biases originally caused by humans and biases induced by the recommender system. Second, we provide an overview of methods that have been used to mitigate these biases in the scholarly domain. Based on this, third, we present a framework that can be used by researchers and developers to mitigate biases in scholarly recommender systems and to evaluate recommender systems fairly. Finally, we discuss open challenges and possible research directions related to scholarly biases.
• Abstract（参考訳）: 出版物、研究者、科学トピックなどの科学分野の数が著しく増加し、科学における関連情報過多により、何百万人もの研究者や科学愛好家にとって学術レコメンデーションシステムの重要性が高まっている。 しかし、これらのシステムには様々なバイアスが伴うことがしばしば見過ごされる。 本稿では,まず,学術推薦システムのバイアスを分解し,その影響と頻度に応じて特徴付ける。 その際,人間によって引き起こされるバイアスと,レコメンダシステムによって引き起こされるバイアスとを区別する。 第二に、学術領域におけるこれらのバイアスを軽減するために使われた手法の概要について述べる。 第3に,研究者や開発者が学術推薦システムにおけるバイアスを軽減し,推薦システムの評価を公平に行うためのフレームワークを提案する。 最後に,学術的バイアスに関連するオープン課題と研究の方向性について論じる。

関連論文リスト

• The Importance of Cognitive Biases in the Recommendation Ecosystem [8.267786874280848]
  認知バイアスは、レコメンデーションエコシステムの様々な部分にも現れ、レコメンデーションプロセスの異なる段階にも現れます。 我々は, 特徴陽性効果, IKEA効果, 文化的ホモフィリーなどのバイアスがレコメンデーションパイプラインの様々な構成要素で観察できるという実証的証拠を提供する。 我々は,ユーザモデルや項目モデル,レコメンデーションアルゴリズムを改善するために,偏見のない認知バイアスの考察を提唱する。
  論文  参考訳（メタデータ） (2024-08-22T15:33:46Z)
• Measuring and Addressing Indexical Bias in Information Retrieval [69.7897730778898]
  PAIRフレームワークは、ランキングドキュメンテーションやIRシステム全体の自動バイアス監査をサポートする。 DUOを導入した後、我々は32kの合成と4.7kの天然文書からなる新しいコーパスで8つのIRシステムの広範な評価を行った。 人間の行動学的研究は、私たちのアプローチを検証し、私たちのバイアスメトリクスが、いつ、どのように指標バイアスが読者の意見を変えるかを予測するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-06T17:42:37Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。 科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Targeted Data Augmentation for bias mitigation [0.0]
  我々は、TDA(Targeted Data Augmentation)と呼ばれるバイアスに対処するための、新しく効率的なアプローチを導入する。 バイアスを除去する面倒な作業とは異なり、本手法は代わりにバイアスを挿入することを提案し、結果として性能が向上する。 偏見を特定するために,臨床皮膚病変のデータセットと男女の顔のデータセットの2つの多様なデータセットを注釈した。
  論文  参考訳（メタデータ） (2023-08-22T12:25:49Z)
• A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
  本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。 本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
  論文  参考訳（メタデータ） (2023-08-02T12:58:11Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• The SAME score: Improved cosine based bias score for word embeddings [49.75878234192369]
  埋め込みにおけるセマンティックバイアスのための新しいバイアススコアであるPetを紹介した。 本研究は,下水道作業における意味バイアスを測定し,社会的バイアスの潜在的な原因を特定することができることを示す。
  論文  参考訳（メタデータ） (2022-03-28T09:28:13Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)
• Modeling and Counteracting Exposure Bias in Recommender Systems [0.0]
  本研究では,行列因数分解など,広く用いられている推奨戦略に固有のバイアスについて検討する。 本稿では,リコメンデータシステムのための新しいデバイアス対策を提案する。 その結果,レコメンダシステムにはバイアスがあり,ユーザの事前の露出に依存していることがわかった。
  論文  参考訳（メタデータ） (2020-01-01T00:12:34Z)

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。