ترجمه فارسی مقاله آیا روش های مبتنی بر LLM برای تشخیص شرایط خدمات ناعادلانه به اندازه کافی خوب هستند؟

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Are LLM-based methods good enough for detecting unfair terms of service?
عنوان مقاله به فارسی آیا روش های مبتنی بر LLM برای تشخیص شرایط خدمات ناعادلانه به اندازه کافی خوب هستند؟
نویسندگان Mirgita Frasheri, Arian Bakhtiarnia, Lukas Esterle, Alexandros Iosifidis
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 6 September, 2024; v1 submitted 24 August, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛V1 ارسال شده 24 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Countless terms of service (ToS) are being signed everyday by users all over the world while interacting with all kinds of apps and websites. More often than not, these online contracts spanning double-digit pages are signed blindly by users who simply want immediate access to the desired service. What would normally require a consultation with a legal team, has now become a mundane activity consisting of a few clicks where users potentially sign away their rights, for instance in terms of their data privacy, to countless online entities/companies. Large language models (LLMs) are good at parsing long text-based documents, and could potentially be adopted to help users when dealing with dubious clauses in ToS and their underlying privacy policies. To investigate the utility of existing models for this task, we first build a dataset consisting of 12 questions applied individually to a set of privacy policies crawled from popular websites. Thereafter, a series of open-source as well as commercial chatbots such as ChatGPT, are queried over each question, with the answers being compared to a given ground truth. Our results show that some open-source models are able to provide a higher accuracy compared to some commercial models. However, the best performance is recorded from a commercial chatbot (ChatGPT4). Overall, all models perform only slightly better than random at this task. Consequently, their performance needs to be significantly improved before they can be adopted at large for this purpose.

چکیده به فارسی (ترجمه ماشینی)

شرایط بی شماری از خدمات (TOS) در حالی که با انواع برنامه ها و وب سایت ها تعامل دارند ، هر روز توسط کاربران در سراسر جهان امضا می شوند.بیشتر اوقات ، این قراردادهای آنلاین که صفحات دو رقمی دارند ، توسط کاربرانی که به سادگی می خواهند دسترسی فوری به سرویس مورد نظر داشته باشند ، کورکورانه امضا می شوند.آنچه که به طور معمول نیاز به مشاوره با یک تیم حقوقی دارد ، اکنون به یک فعالیت دنیوی متشکل از چند کلیک تبدیل شده است که کاربران به طور بالقوه حقوق خود را امضا می کنند ، به عنوان مثال از نظر حریم خصوصی داده های خود ، به نهادهای بی شماری آنلاین/شرکت ها.مدل های بزرگ زبان (LLM) در تجزیه اسناد طولانی مبتنی بر متن خوب هستند و به طور بالقوه می توانند برای کمک به کاربران هنگام برخورد با بندهای مشکوک در TOS و سیاست های اساسی حریم خصوصی آنها به کاربران کمک کنند.برای بررسی کاربرد مدلهای موجود برای این کار ، ابتدا یک مجموعه داده متشکل از 12 سؤال که به صورت جداگانه در مجموعه ای از سیاست های حریم خصوصی که از وب سایت های محبوب خزیده شده است ، ایجاد می کنیم.پس از آن ، مجموعه ای از منبع باز و همچنین چت های تجاری مانند ChatGPT ، بر روی هر سؤال پرسیده می شود که پاسخ ها با یک حقیقت زمین مشخص مقایسه می شوند.نتایج ما نشان می دهد که برخی از مدل های منبع باز قادر به ارائه دقت بالاتری در مقایسه با برخی از مدل های تجاری هستند.با این حال ، بهترین عملکرد از یک Chatbot تجاری (ChatGPT4) ثبت می شود.به طور کلی ، همه مدل ها در این کار فقط کمی بهتر از تصادفی عمل می کنند.در نتیجه ، عملکرد آنها باید قبل از اینکه بتوانند برای این منظور به طور گسترده ای اتخاذ شوند ، به طور قابل توجهی بهبود یابد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.