論文の概要: Bita: A Conversational Assistant for Fairness Testing

• arxiv url: http://arxiv.org/abs/2512.05428v1
• Date: Fri, 05 Dec 2025 05:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.905091
• Title: Bita: A Conversational Assistant for Fairness Testing
• Title（参考訳）: Bita: フェアネステストのための会話アシスタント
• Authors: Keeryn Johnson, Cleyton Magalhaes, Ronnie de Souza Santos,
• Abstract要約: Bitaは、ソフトウェアテスタがバイアスの原因を検出するのを助けるために設計された会話アシスタントである。 当社の作業は,産業プラクティスに対してアクセス可能で,体系的で,直接的に適用可能なフェアネステストの運用を行う,実践的なツールに貢献する。
• 参考スコア（独自算出の注目度）: 2.198430261120653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bias in AI systems can lead to unfair and discriminatory outcomes, especially when left untested before deployment. Although fairness testing aims to identify and mitigate such bias, existing tools are often difficult to use, requiring advanced expertise and offering limited support for real-world workflows. To address this, we introduce Bita, a conversational assistant designed to help software testers detect potential sources of bias, evaluate test plans through a fairness lens, and generate fairness-oriented exploratory testing charters. Bita integrates a large language model with retrieval-augmented generation, grounding its responses in curated fairness literature. Our validation demonstrates how Bita supports fairness testing tasks on real-world AI systems, providing structured, reproducible evidence of its utility. In summary, our work contributes a practical tool that operationalizes fairness testing in a way that is accessible, systematic, and directly applicable to industrial practice.
• Abstract（参考訳）: AIシステムのバイアスは、特にデプロイ前に未検証のままにしておくと、不公平で差別的な結果につながる可能性がある。 公平性テストは、そのようなバイアスを特定し緩和することを目的としているが、既存のツールは、しばしば使うのが難しく、高度な専門知識を必要とし、現実世界のワークフローを限定的にサポートしている。 この問題に対処するために,ソフトウェアテスタがバイアスの発生源の検出を支援し,公正度レンズを通じてテスト計画を評価し,公正性を重視した探索テスト憲章を生成するための対話型アシスタントであるBitaを紹介した。 Bitaは大規模な言語モデルと検索拡張生成を統合し、その応答をキュレートされた公平性文学に基礎づける。 我々の検証は、Bitaが現実世界のAIシステム上で公正性テストタスクをどのようにサポートしているかを示し、その実用性に関する構造化された再現可能な証拠を提供する。 まとめると、我々の研究は、工業的実践に対してアクセス可能で、体系的で、直接適用可能な方法でフェアネステストを運用する実践的なツールに貢献する。

関連論文リスト

• Software Fairness Testing in Practice [0.21427777919040417]
  本研究では、ソフトウェアプロフェッショナルがAIとMLプロジェクトに取り組む22人の実践者とのインタビューを通じて、公正のためにAIを活用したシステムをテストする方法について検討する。 以上の結果から,理論的公正の概念と産業実践との間に大きなギャップがあることが示唆された。 主な課題は、データ品質と多様性、時間制約、効果的なメトリクスの定義、モデルの相互運用性の確保である。
  論文  参考訳（メタデータ） (2025-06-20T16:03:02Z)
• Towards Automated Formal Verification of Backend Systems with LLMs [9.66648456498893]
  バックエンドのコードを形式的なリーン表現に変換するために,関数型プログラミングと型システムを活用する新しいフレームワークを提案する。 我々のパイプラインは、APIやデータベース操作の意図した振る舞いを規定する定理を自動生成し、LSMベースのプロバーを用いて検証する。 本手法を現実的なバックエンドシステム上で評価した結果,テスト要件の50%以上を正式に検証できることがわかった。
  論文  参考訳（メタデータ） (2025-04-13T16:49:37Z)
• Which Combination of Test Metrics Can Predict Success of a Software Project? A Case Study in a Year-Long Project Course [1.553083901660282]
  テストはソフトウェア開発プロジェクトの成功を保証する上で重要な役割を担います。 種々のテストが機能的適合性に与える影響を定量化できるかどうかを検討する。
  論文  参考訳（メタデータ） (2024-08-22T04:23:51Z)
• Search-Based Fairness Testing: An Overview [4.453735522794044]
  AIシステムのバイアスは倫理的・社会的懸念を引き起こす。 本稿では, フェアネステストの現状, 特に検索ベーステストによる適用について概説する。
  論文  参考訳（メタデータ） (2023-11-10T16:47:56Z)
• Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
  多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。 本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。 そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-08-28T06:31:37Z)
• Fairness-guided Few-shot Prompting for Large Language Models [93.05624064699965]
  インコンテキスト学習は、トレーニング例、例えば順、プロンプトフォーマットのバリエーションによって、高い不安定性に悩まされる可能性がある。 ラベルや属性に対する固定的なプロンプトの予測バイアスを評価するための指標を導入する。 そこで本研究では,テキスト内学習の性能向上のための最寄りのプロンプトを特定するための,欲求探索に基づく新しい探索手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T12:28:25Z)
• Towards Informed Design and Validation Assistance in Computer Games Using Imitation Learning [65.12226891589592]
  本稿では,自動ゲーム検証とテストのための新しいアプローチを提案する。 本手法は,データ駆動型模倣学習技術を活用し,時間と労力をほとんど必要とせず,機械学習やプログラミングの知識も必要としない。
  論文  参考訳（メタデータ） (2022-08-15T11:08:44Z)
• Combining Self-Training and Self-Supervised Learning for Unsupervised Disfluency Detection [80.68446022994492]
  本研究では,未ラベルテキストコーパスを扱える教師なし学習パラダイムについて検討する。 我々のモデルは、自己学習の考え方を拡張する半教師あり学習アプローチである、雑音学習(Noisy Student Training)に関する最近の研究に基づいている。
  論文  参考訳（メタデータ） (2020-10-29T05:29:26Z)

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。