ترجمه فارسی مقاله تعدیل محتوا توسط LLM: از دقت تا مشروعیت

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 Content Moderation by LLM: From Accuracy to Legitimacy
عنوان مقاله به فارسی تعدیل محتوا توسط LLM: از دقت تا مشروعیت
نویسندگان Tao Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 26
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computers and Society,Artificial Intelligence,Emerging Technologies,Human-Computer Interaction,Machine Learning,رایانه ها و جامعه , هوش مصنوعی , فن آوری های نوظهور , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات Submitted 4 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 4 سپتامبر 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

One trending application of LLM (large language model) is to use it for content moderation in online platforms. Most current studies on this application have focused on the metric of accuracy - the extent to which LLM makes correct decisions about content. This article argues that accuracy is insufficient and misleading, because it fails to grasp the distinction between easy cases and hard cases as well as the inevitable trade-offs in achieving higher accuracy. Closer examination reveals that content moderation is a constitutive part of platform governance, the key of which is to gain and enhance legitimacy. Instead of making moderation decisions correct, the chief goal of LLM is to make them legitimate. In this regard, this article proposes a paradigm shift from the single benchmark of accuracy towards a legitimacy-based framework of evaluating the performance of LLM moderators. The framework suggests that for easy cases, the key is to ensure accuracy, speed and transparency, while for hard cases, what matters is reasoned justification and user participation. Examined under this framework, LLM's real potential in moderation is not accuracy improvement. Rather, LLM can better contribute in four other aspects: to conduct screening of hard cases from easy cases, to provide quality explanations for moderation decisions, to assist human reviewers in getting more contextual information, and to facilitate user participation in a more interactive way. Using normative theories from law and social sciences to critically assess the new technological application, this article seeks to redefine LLM's role in content moderation and redirect relevant research in this field.

چکیده به فارسی (ترجمه ماشینی)

یکی از برنامه های کاربردی LLM (مدل زبان بزرگ) استفاده از آن برای تعدیل محتوا در سیستم عامل های آنلاین است.بیشتر مطالعات فعلی در مورد این برنامه بر روی معیار دقت متمرکز شده است - میزان تصمیم گیری های صحیح LLM در مورد محتوا.این مقاله استدلال می کند که دقت کافی و گمراه کننده است ، زیرا نمی تواند تمایز بین موارد آسان و موارد سخت و همچنین معاملات اجتناب ناپذیر در دستیابی به دقت بالاتر را درک کند.بررسی دقیق تر نشان می دهد که اعتدال محتوا بخشی سازنده از حاکمیت پلتفرم است که کلید آن دستیابی و تقویت مشروعیت است.به جای درست تصمیم گیری در مورد اعتدال ، هدف اصلی LLM این است که آنها را مشروعیت بخشد.در همین راستا ، این مقاله یک تغییر پارادایم از معیار واحد دقت به سمت یک چارچوب مبتنی بر مشروعیت در ارزیابی عملکرد ناظران LLM ارائه می دهد.این چارچوب نشان می دهد که برای موارد آسان ، مهمترین اطمینان ، اطمینان ، سرعت و شفافیت است ، در حالی که برای موارد سخت ، آنچه مهم است ، توجیهی و مشارکت کاربر است.تحت این چارچوب مورد بررسی قرار می گیرد ، پتانسیل واقعی LLM در اعتدال بهبود دقت نیست.در عوض ، LLM می تواند در چهار جنبه دیگر مشارکت داشته باشد: انجام غربالگری موارد سخت از موارد آسان ، ارائه توضیحات با کیفیت برای تصمیمات اعتدال ، کمک به داوران انسانی در گرفتن اطلاعات متنی تر و تسهیل مشارکت کاربر به روشی تعاملی.این مقاله با استفاده از تئوری های هنجاری از قانون و علوم اجتماعی برای ارزیابی انتقادی کاربرد جدید فن آوری ، به دنبال تعریف مجدد نقش LLM در اعتدال محتوا و تغییر مسیر تحقیقات مربوطه در این زمینه است.

📚 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.