ترجمه فارسی مقاله سوگیری بازنمایی نوجوانان در هوش مصنوعی: مطالعه‌ای دوزبانه و دوفرهنگه

چکیده

Popular and news media often portray teenagers with sensationalism, as both a risk to society and at risk from society. As AI begins to absorb some of the epistemic functions of traditional media, we study how teenagers in two countries speaking two languages: 1) are depicted by AI, and 2) how they would prefer to be depicted. Specifically, we study the biases about teenagers learned by static word embeddings (SWEs) and generative language models (GLMs), comparing these with the perspectives of adolescents living in the U.S. and Nepal. We find English-language SWEs associate teenagers with societal problems, and more than 50% of the 1,000 words most associated with teenagers in the pretrained GloVe SWE reflect such problems. Given prompts about teenagers, 30% of outputs from GPT2-XL and 29% from LLaMA-2-7B GLMs discuss societal problems, most commonly violence, but also drug use, mental illness, and sexual taboo. Nepali models, while not free of such associations, are less dominated by social problems. Data from workshops with N=13 U.S. adolescents and N=18 Nepalese adolescents show that AI presentations are disconnected from teenage life, which revolves around activities like school and friendship. Participant ratings of how well 20 trait words describe teens are decorrelated from SWE associations, with Pearson’s r=.02, n.s. in English FastText and r=.06, n.s. in GloVe; and r=.06, n.s. in Nepali FastText and r=-.23, n.s. in GloVe. U.S. participants suggested AI could fairly present teens by highlighting diversity, while Nepalese participants centered positivity. Participants were optimistic that, if it learned from adolescents, rather than media sources, AI could help mitigate stereotypes. Our work offers an understanding of the ways SWEs and GLMs misrepresent a developmentally vulnerable group and provides a template for less sensationalized characterization.

چکیده به فارسی (ترجمه ماشینی)

رسانه های محبوب و خبری غالباً نوجوانان را با احساس گرایی به تصویر می کشند ، هم خطر جامعه و هم در معرض خطر جامعه.از آنجا که هوش مصنوعی شروع به جذب برخی از کارکردهای معرفتی رسانه های سنتی می کند ، ما مطالعه می کنیم که چگونه نوجوانان در دو کشور که دو زبان صحبت می کنند: 1) توسط هوش مصنوعی به تصویر کشیده می شوند ، و 2) چگونه آنها ترجیح می دهند به تصویر کشیده شوند.به طور خاص ، ما تعصبات مربوط به نوجوانان آموخته شده توسط تعبیه کلمات استاتیک (SWE) و مدل های زبان تولیدی (GLM) را مطالعه می کنیم ، و اینها را با دیدگاه های نوجوانان که در ایالات متحده و نپال زندگی می کنند ، مقایسه می کنیم.ما می یابیم که نوجوانان SWE به زبان انگلیسی با مشکلات اجتماعی همراه هستند و بیش از 50 ٪ از 1000 کلمه ای که بیشتر با نوجوانان در SWE Glove Pretained مرتبط است ، چنین مشکلاتی را منعکس می کند.با توجه به مطالب مربوط به نوجوانان ، 30 ٪ از خروجی های GPT2-XL و 29 ٪ از LLAMA-2-7B GLM در مورد مشکلات اجتماعی ، معمولاً خشونت ، بلکه مصرف مواد مخدر ، بیماری روانی و تابو جنسی بحث می کنند.مدل های نپالی ، در حالی که عاری از چنین انجمن هایی نیستند ، کمتر تحت سلطه مشکلات اجتماعی هستند.داده های کارگاه های آموزشی با 13 نوجوان ایالات متحده و N = 18 نوجوان نپالی نشان می دهد که ارائه های هوش مصنوعی از زندگی نوجوانان جدا می شوند ، که حول فعالیت هایی مانند مدرسه و دوستی می چرخد.رتبه بندی شرکت کنندگان در مورد چگونگی توصیف 20 کلمه صفت نوجوانان از انجمن های SWE ، با R = 0.02 ، N.S.در FastText انگلیسی و r = .06 ، N.S.در دستکش ؛و r = .06 ، n.s.در Nepali FastText و r =-23 ، n.s.در دستکششرکت کنندگان در ایالات متحده پیشنهاد کردند که هوش مصنوعی می تواند با برجسته کردن تنوع ، نوجوانان را نسبتاً ارائه دهد ، در حالی که شرکت کنندگان نپالی متمرکز بر مثبت بودند.شرکت کنندگان خوش بین بودند که اگر از نوجوانان آموخته شود ، به جای منابع رسانه ای ، هوش مصنوعی می تواند به کاهش کلیشه ها کمک کند.کار ما درک روشهای SWES و GLMS را به اشتباه یک گروه آسیب پذیر از نظر توسعه ارائه می دهد و الگویی را برای خصوصیات کمتر حساس فراهم می کند.