ترجمه فارسی مقاله به سمت کاهش تعصب جنسیتی در مدل سازی استرس و خستگی کارآموزان خلبان

چکیده

While researchers have been trying to understand the stress and fatigue among pilots, especially pilot trainees, and to develop stress/fatigue models to automate the process of detecting stress/fatigue, they often do not consider biases such as sex in those models. However, in a critical profession like aviation, where the demographic distribution is disproportionately skewed to one sex, it is urgent to mitigate biases for fair and safe model predictions. In this work, we investigate the perceived stress/fatigue of 69 college students, including 40 pilot trainees with around 63% male. We construct models with decision trees first without bias mitigation and then with bias mitigation using a threshold optimizer with demographic parity and equalized odds constraints 30 times with random instances. Using bias mitigation, we achieve improvements of 88.31% (demographic parity difference) and 54.26% (equalized odds difference), which are also found to be statistically significant.

چکیده به فارسی (ترجمه ماشینی)

در حالی که محققان در تلاش بوده اند استرس و خستگی را در بین خلبانان ، به ویژه کارآموزان خلبان درک کنند ، و مدل های استرس/خستگی را برای اتوماسیون روند تشخیص استرس/خستگی ایجاد می کنند ، آنها اغلب تعصباتی مانند رابطه جنسی را در آن مدل ها در نظر نمی گیرند.با این حال ، در یک حرفه بحرانی مانند حمل و نقل هوایی ، که در آن توزیع جمعیتی به طور نامتناسب به یک رابطه جنسی کاهش می یابد ، فساد برای پیش بینی های مدل منصفانه و ایمن فوری است.در این کار ، ما استرس/خستگی درک شده 69 دانشجوی کالج ، از جمله 40 کارآموز آزمایشی با حدود 63 ٪ مرد را بررسی می کنیم.ما ابتدا مدل هایی را با درختان تصمیم گیری بدون کاهش تعصب و سپس با کاهش تعصب با استفاده از یک بهینه ساز آستانه با برابری جمعیت شناختی و محدودیت های شانس برابر 30 بار با موارد تصادفی می سازیم.با استفاده از کاهش تعصب ، ما به پیشرفت های 88.31 ٪ (اختلاف برابری جمعیت شناختی) و 54.26 ٪ (اختلاف شانس برابر) دست می یابیم ، که از نظر آماری نیز معنی دار است.