What the Machine Saw: some questions on the ethics of computer vision and machine learning to investigate human remains trafficking
Notice bibliographique
Résumé
This article represents the next step in our ongoing effort to understand the online human remains trade, how, why and where it exists on social media. It expands upon initial research to explore the 'rhetoric' and structure behind the use and manipulation of images and text by this collecting community, topics explored using Google Inception v.3, TensorFlow, etc. (Huffer and Graham 2017; 2018). This current research goes beyond that work to address the ethical and moral dilemmas that can confound the use of new technology to classify and sort thousands of images. The categories used to 'train' the machine are self-determined by the researchers, but to what extent can current image classifying methods be broken to create false positives or false negatives when attempting to classify images taken from social media sales records as either old authentic items or recent forgeries made using remains sourced from unknown locations? What potential do they have to be exploited by dealers or forgers as a way to 'authenticate the market'? Analysing the data obtained when 'scraping' image or text relevant to cultural property trafficking of any kind involves the use of machine learning and neural network analysis, the ethics of which are themselves complicated. Here, we discuss these issues around two case studies; the ongoing repatriation case of Abraham Ulrikab, and an example of what it looks like when the classifier is deliberately broken.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,063 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,091 |
| Communication savante | 0,012 | 0,040 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,014 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».