論文の概要: Towards a Holistic Approach: Understanding Sociodemographic Biases in
NLP Models using an Interdisciplinary Lens
- arxiv url: http://arxiv.org/abs/2308.13089v1
- Date: Thu, 24 Aug 2023 21:19:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 15:43:03.147552
- Title: Towards a Holistic Approach: Understanding Sociodemographic Biases in
NLP Models using an Interdisciplinary Lens
- Title（参考訳）: 立体的アプローチに向けて:学際レンズを用いたNLPモデルにおけるソシオドモグラフィーの理解
- Authors: Pranav Narayanan Venkit
- Abstract要約: 自然言語処理の利用と応用の急速な成長は、バイアスの包括的理解の必要性を強調している。
NLPにおけるバイアスの研究は拡大しているが、注意を要するいくつかの課題が続いている。
本稿では,これらの課題に対処し,NLPにおけるバイアスを理解するための学際的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 1.3778851745408134
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid growth in the usage and applications of Natural Language Processing
(NLP) in various sociotechnical solutions has highlighted the need for a
comprehensive understanding of bias and its impact on society. While research
on bias in NLP has expanded, several challenges persist that require attention.
These include the limited focus on sociodemographic biases beyond race and
gender, the narrow scope of analysis predominantly centered on models, and the
technocentric implementation approaches. This paper addresses these challenges
and advocates for a more interdisciplinary approach to understanding bias in
NLP. The work is structured into three facets, each exploring a specific aspect
of bias in NLP.
- Abstract（参考訳）: 様々な社会技術ソリューションにおける自然言語処理(NLP)の利用と応用の急速な成長は、偏見の包括的理解の必要性と社会への影響を浮き彫りにした。
NLPにおけるバイアスの研究は拡大しているが、注意を要するいくつかの課題が続いている。
これには、人種や性別を超えた社会デミックバイアスに限定された焦点、主にモデルに焦点を絞った分析の範囲、技術中心の実装アプローチが含まれる。
本稿では,これらの課題に対処し,NLPのバイアスを理解するための学際的アプローチを提案する。
研究は3つの面に分かれ、それぞれがNLPの偏見の特定の側面を探索している。
関連論文リスト
- Advancing Fairness in Natural Language Processing: From Traditional Methods to Explainability [0.9065034043031668]
この論文は、NLPシステムにおける株式と透明性の必要性に対処している。
高リスクNLPアプリケーションにおけるバイアスを軽減する革新的なアルゴリズムを導入している。
また、トランスフォーマーモデルの概念を特定し、ランク付けするモデルに依存しない説明可能性法を提案する。
論文 参考訳（メタデータ） (2024-10-16T12:38:58Z) - Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。
最近の傾向は、これらの2つの分野の潜在的均一性を示している。
本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文 参考訳（メタデータ） (2024-07-01T07:05:44Z) - The Call for Socially Aware Language Technologies [94.6762219597438]
NLPが機能する社会環境の要因、文脈、意味の認識の欠如である。
我々は、NLPが社会意識を発達させる上で大きな課題が残っており、この分野の新しい時代の始まりであると主張している。
論文 参考訳（メタデータ） (2024-05-03T18:12:39Z) - Inducing Political Bias Allows Language Models Anticipate Partisan
Reactions to Controversies [5.958974943807783]
本研究では,Large Language Models (LLMs) を用いたデジタル談話における政治的偏見の理解の課題に対処する。
本稿では,Partisan Bias Divergence AssessmentとPartisan Class Tendency Predictionからなる包括的分析フレームワークを提案する。
以上の結果から,感情的・道徳的ニュアンスを捉えたモデルの有効性が明らかとなった。
論文 参考訳（メタデータ） (2023-11-16T08:57:53Z) - SemEval-2023 Task 11: Learning With Disagreements (LeWiDi) [75.85548747729466]
共有タスクのLeWiDiシリーズの第2版について報告する。
この第2版は幅広い参加者を集め、13のタスクの共用論文が提出された。
論文 参考訳（メタデータ） (2023-04-28T12:20:35Z) - Fair Enough: Standardizing Evaluation and Model Selection for Fairness
Research in NLP [64.45845091719002]
現代のNLPシステムは様々なバイアスを示しており、モデル偏見に関する文献が増えている。
本稿では,その現状を解明し,公正学習における意味ある進歩の道筋を立案することを目的とする。
論文 参考訳（メタデータ） (2023-02-11T14:54:00Z) - Undesirable Biases in NLP: Addressing Challenges of Measurement [1.7126708168238125]
我々は,NLPモデルバイアスの問題を心理測定のレンズを用いて議論するための学際的アプローチを提案する。
本研究は, 心理測定, 構成妥当性, 測定ツールの信頼性の2つの中心的な概念について考察する。
我々の目標は、NLP実践者により良いバイアス対策を設計するための方法論ツールを提供することです。
論文 参考訳（メタデータ） (2022-11-24T16:53:18Z) - A Survey of Methods for Addressing Class Imbalance in Deep-Learning
Based Natural Language Processing [68.37496795076203]
非バランスなデータを扱うNLP研究者や実践者に対してガイダンスを提供する。
まず、制御および実世界のクラス不均衡の様々なタイプについて論じる。
サンプリング,データ拡張,損失関数の選択,ステージ学習,モデル設計に基づく手法を整理する。
論文 参考訳（メタデータ） (2022-10-10T13:26:40Z) - Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
ディープラーニングは自然言語処理(NLP)分野において主要な技術である。
ディープラーニングには多くのラベル付きデータが必要です。
メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
論文 参考訳（メタデータ） (2022-05-03T13:58:38Z) - A Survey on Bias and Fairness in Natural Language Processing [1.713291434132985]
我々は、バイアスの起源、公平性の定義、NLPバイアスのサブフィールドの違いを緩和する方法について分析する。
我々は,NLPアルゴリズムによる悪質な偏見の根絶に向けた今後の研究について論じる。
論文 参考訳（メタデータ） (2022-03-06T18:12:30Z)
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。