Ensuring Transparency and Fairness in AI DecisionMaking Processes Influenced by large language Models
Notice bibliographique
Résumé
This paper tackles the essential problem of assuring openness and justice in AI decision-making processes driven by huge language models. While large language models like GPT-3 have shown impressive capabilities, they have also prompted questions of fairness, transparency, and ethics. The “FairTransLing” approach contains features to improve interpretability, bias reduction, fairness evaluation, transparency, regulatory compliance, and real-time monitoring, and is proposed as a solution to these problems. The state-of-the-art and time-tested approaches “Interpret ML,” “Fair ML,” “BERT Viz,” “FairGAN,” “LIME,” and “AIF360” were tested against FairTransLing in great detail. We compared these strategies based on six criteria: improved interpretability, reduced bias, increased fairness, improved transparency and fairness, more regulatory compliance, and continuous monitoring. The suggested strategy performed better than the conventional approaches in every respect. Our results demonstrate that FairTransLing provides a complete approach to increase interpretability, eliminate biases, and measure fairness in AI decision-making. Ethical problems and possible biases are reduced because of its emphasis on openness, regulatory compliance, and real-time monitoring. This study is a major advance toward the transparent and equitable implementation of massive language models used in AI systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».