Exploring Bias in the FOLD-R++ Algorithm: A Comprehensive Analysis
Notice bibliographique
Résumé
As machine learning is being used in numerous applications, there is even more concern regarding algorithms within artificial intelligence. This paper focuses on analyzing the biases incorporated in a setup like FOLD-R++. The findings hold significance to both academia and industry in establishing what a fair and neutral machine learning algorithm is. The article contains an exhaustive literature review about biases in machine learning and a detailed explication. The chapter re-examines previous studies on the efficacy of this algorithm, unearthing the limitations in earlier literature and urging more research.This involves purposefully choosing a dataset from Kaggle, metrics applied in evaluating the algorithm, and a detailed experimental design. The results of these tests of different test scenarios have displayed that the algorithm is correct but vulnerable to bias and efficient across different domains. The results are discussed, and comparisons with what is available in the table regarding system-biased algorithms are made. In conclusion, this study contributes to the existing literature on machine learning and highlights certain shortcomings concerning the use of the FOLD-R++ algorithm. Thus, it demonstrates the need to address issues of unexplained inequality and develop reliable algorithms for decision-making. The study acknowledges these shortcomings to the extent that it becomes a vital stage toward developing more justified machine learning.
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 | 0,058 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».