Computation and Language,Computers and Society,Machine Learning,محاسبات و زبان , رایانه و جامعه , یادگیری ماشین ,
توضیحات
Submitted 11 September, 2024; originally announced September 2024. , Comments: Accepted for long presentation at the FAcctRec @ Recsys 2024 , ACM Class: I.2.7; J.3; K.4
توضیحات به فارسی
ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای ارائه طولانی در FACCTREC @ recsys 2024 ، کلاس ACM پذیرفته شده است: I.2.7 ؛J.3 ؛K.4
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
There have been growing concerns around high-stake applications that rely on models trained with biased data, which consequently produce biased predictions, often harming the most vulnerable. In particular, biased medical data could cause health-related applications and recommender systems to create outputs that jeopardize patient care and widen disparities in health outcomes. A recent framework titled Fairness via AI posits that, instead of attempting to correct model biases, researchers must focus on their root causes by using AI to debias data. Inspired by this framework, we tackle bias detection in medical curricula using NLP models, including LLMs, and evaluate them on a gold standard dataset containing 4,105 excerpts annotated by medical experts for bias from a large corpus. We build on previous work by coauthors which augments the set of negative samples with non-annotated text containing social identifier terms. However, some of these terms, especially those related to race and ethnicity, can carry different meanings (e.g., "white matter of spinal cord"). To address this issue, we propose the use of Word Sense Disambiguation models to refine dataset quality by removing irrelevant sentences. We then evaluate fine-tuned variations of BERT models as well as GPT models with zero- and few-shot prompting. We found LLMs, considered SOTA on many NLP tasks, unsuitable for bias detection, while fine-tuned BERT models generally perform well across all evaluated metrics.
چکیده به فارسی (ترجمه ماشینی)
نگرانی های فزاینده ای در مورد برنامه های پر سهام وجود دارد که به مدل های آموزش داده شده با داده های مغرضانه متکی هستند ، که در نتیجه پیش بینی های مغرضانه ای ایجاد می کنند ، و اغلب به آسیب پذیرترین آسیب می رسانند.به طور خاص ، داده های پزشکی مغرضانه می تواند باعث ایجاد برنامه های مرتبط با سلامتی و سیستم های توصیه کننده شود تا خروجی هایی ایجاد کند که مراقبت از بیمار را به خطر می اندازد و اختلافات را در پیامدهای بهداشتی گسترش می دهد.یک چارچوب اخیر با عنوان انصاف از طریق هوش مصنوعی بیان می کند که ، به جای تلاش برای تصحیح تعصبات مدل ، محققان باید با استفاده از AI به داده های Debias روی علل اصلی خود تمرکز کنند.با الهام از این چارچوب ، ما با استفاده از مدل های NLP ، از جمله LLM ، با تشخیص تعصب در برنامه های درسی پزشکی مقابله می کنیم و آنها را در یک مجموعه داده استاندارد طلای حاوی 4،105 گزیده ای که توسط کارشناسان پزشکی برای تعصب از یک گروه بزرگ حاشیه نویسی شده است ، ارزیابی می کنیم.ما بر اساس کارهای قبلی توسط همکاران ساخته شده است که مجموعه ای از نمونه های منفی را با متن غیر آنوتی حاوی اصطلاحات شناسه اجتماعی تقویت می کند.با این حال ، برخی از این اصطلاحات ، به ویژه موارد مرتبط با نژاد و قومیت ، می توانند معانی مختلفی را به همراه داشته باشند (به عنوان مثال ، "ماده سفید نخاع").برای پرداختن به این مسئله ، ما با حذف جملات بی ربط ، استفاده از مدل های تفسیر Word Sense را برای تصحیح کیفیت مجموعه داده ها پیشنهاد می کنیم.سپس تغییرات خوب مدل های BERT و همچنین مدل های GPT را با فرکانس صفر و چند شات ارزیابی می کنیم.ما LLMS را پیدا کردیم ، که SOTA در بسیاری از کارهای NLP در نظر گرفته شده است ، برای تشخیص تعصب نامناسب است ، در حالی که مدل های BERT با تنظیم دقیق به طور کلی در تمام معیارهای ارزیابی شده عملکرد خوبی دارند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
