ترجمه فارسی مقاله پیش‌بینی افسردگی با استفاده از عدالت جنسیتی چندوجهی: بینش‌هایی بر اساس داده‌های ایالات متحده و چین

چکیده

Social agents and robots are increasingly being used in wellbeing settings. However, a key challenge is that these agents and robots typically rely on machine learning (ML) algorithms to detect and analyse an individual’s mental wellbeing. The problem of bias and fairness in ML algorithms is becoming an increasingly greater source of concern. In concurrence, existing literature has also indicated that mental health conditions can manifest differently across genders and cultures. We hypothesise that the representation of features (acoustic, textual, and visual) and their inter-modal relations would vary among subjects from different cultures and genders, thus impacting the performance and fairness of various ML models. We present the very first evaluation of multimodal gender fairness in depression manifestation by undertaking a study on two different datasets from the USA and China. We undertake thorough statistical and ML experimentation and repeat the experiments for several different algorithms to ensure that the results are not algorithm-dependent. Our findings indicate that though there are differences between both datasets, it is not conclusive whether this is due to the difference in depression manifestation as hypothesised or other external factors such as differences in data collection methodology. Our findings further motivate a call for a more consistent and culturally aware data collection process in order to address the problem of ML bias in depression detection and to promote the development of fairer agents and robots for wellbeing.

چکیده به فارسی (ترجمه ماشینی)

عوامل اجتماعی و روبات ها به طور فزاینده ای در تنظیمات بهزیستی مورد استفاده قرار می گیرند.با این حال ، یک چالش مهم این است که این عوامل و روبات ها به طور معمول به الگوریتم های یادگیری ماشین (ML) متکی هستند تا بهزیستی ذهنی یک فرد را تشخیص داده و تجزیه و تحلیل کنند.مشکل تعصب و انصاف در الگوریتم های ML به یک منبع نگرانی فزاینده ای تبدیل می شود.در همزمان ، ادبیات موجود همچنین نشان داده است که شرایط سلامت روانی می تواند متفاوت در بین جنس ها و فرهنگ ها آشکار شود.ما فرض می کنیم که بازنمایی ویژگی ها (آکوستیک ، متنی و بصری) و روابط بین مدرک آنها در بین افراد از فرهنگ ها و جنس های مختلف متفاوت خواهد بود ، بنابراین بر عملکرد و انصاف مدل های مختلف ML تأثیر می گذارد.ما اولین ارزیابی از انصاف جنسیت چند حالته در تظاهرات افسردگی را با انجام یک مطالعه در مورد دو مجموعه داده مختلف از ایالات متحده و چین ارائه می دهیم.ما آزمایشات آماری کامل و ML را انجام می دهیم و آزمایشات را برای چندین الگوریتم مختلف تکرار می کنیم تا اطمینان حاصل شود که نتایج وابسته به الگوریتم نیستند.یافته های ما نشان می دهد که اگرچه بین هر دو مجموعه داده تفاوت هایی وجود دارد ، اما نتیجه گیری نیست که آیا این به دلیل تفاوت در تظاهرات افسردگی به عنوان فرضیه یا سایر عوامل خارجی مانند تفاوت در روش جمع آوری داده ها است.یافته های ما بیشتر باعث ایجاد فراخوانی برای یک فرآیند جمع آوری داده های سازگار و فرهنگی تر به منظور رفع مشکل تعصب ML در تشخیص افسردگی و ترویج توسعه عوامل عادلانه و روبات ها برای رفاه می شود.