Investigating Biases in COVID-19 Diagnostic Systems Processed with Automated Speech Anonymization Algorithms
Notice bibliographique
Résumé
Automated voice anonymization algorithms are used to obfuscate speaker identity while leaving other vocal attributes untouched; they have been used for e.g., speech recognition, speech emotion detection, and most recently, remote speechbased health diagnostics.However, speech data is commonly collected in an uncontrolled manner in various environments, potentially compromising its quality, and frequently omits key metadata that could improve model performance.In this study, we employed the Cambridge COVID-19 sound database and used COVID-19 detection as a case study.We first present descriptive statistics on sample composition (i.e., COVID-19 status, age, gender).We also present a measure of signal-tonoise ratio (SNR), a feature of speech that can denote individuals' socioeconomic status.Next, we assess how age and SNR, the two most unbalanced features of the dataset, are associated with model performance and the impact of automated anonymization algorithms performance.Our findings suggest the existence of diagnostic biases related to age and SNR of the recording, which become more prominent after anonymization.To tackle these biases, we explore the usefulness of two data augmentation methods.We show that although data augmentation helps to recover some loss in overall performance, it can lead to a larger discrepancy in performance for over-represented and under-represented groups.We conclude with a discussion of the limitations associated with using SNR as an indicator of socioeconomic status, and of the potential effects of diagnostic biases associated with socioeconomic status.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».