Learning from weak supervision: Insights from human trafficking detection
Bibliographic record
Abstract
Cette thèse examine le rôle de l’intelligence artificielle (IA) dans la résolution de problèmes réels complexes à travers le cas de la détection en ligne de la traite des êtres humains. Bien que l’IA offre un potentiel pour identifier des schémas de traite, son application dans ce domaine demeure difficile. Les données sont bruitées, les annotations sont rares ou ambiguës, et les erreurs de classification peuvent entraîner des conséquences néfastes. Toutefois, des signaux faibles, tels que les publications répétées, les coordonnées partagées ou des heuristiques spécifiques au domaine, offrent une opportunité d’entraîner des modèles sans recourir à une annotation manuelle intensive. Cette thèse explore comment une telle supervision faible, combinée à l’apprentissage sur graphes, peut modéliser des comportements structurés tout en interrogeant de manière critique la pertinence des systèmes automatisés dans ce contexte.Au cœur de cette thèse se trouvent des techniques innovantes pour apprendre à partir de labels faibles sur des données structurées en graphes. Celles-ci incluent : un classificateur multi-classes basé sur des fonctions de labellisation pour distinguer différents types de comportements dans les annonces d’escortes ; un cadre d’apprentissage contrastif qui améliore les représentations des nœuds sous supervision faible ; et une méthode d’extraction de noms qui combine les sorties de modèles avec des règles d’exclusion pour extraire des noms sans données annotées. Ces modèles sont conçus pour des contextes où une supervision forte est irréaliste mais où des structures exploitables persistent. Afin de favoriser l’usage pratique, la thèse présente également un outil de visualisation interactif qui permet aux analystes d’explorer des groupes d’annonces liées et d’identifier des tendances spatio-temporelles. Ce système illustre l’intérêt de combiner apprentissage automatique et investigation humaine. Enfin, la thèse introduit un cadre éthique intitulé Radical Questioning, élaboré avec une équipe pluridisciplinaire à partir de consultations menées avec des organisations dirigées par des survivant·e·s. Ce cadre ne se limite pas à la conception responsable, mais pose la question fondamentale de savoir si certains systèmes doivent être développés. Il fournit une méthode structurée pour réfléchir aux risques, aux hypothèses et aux dynamiques de pouvoir avant de déployer des systèmes d’IA dans des domaines socialement sensibles.À travers cinq projets, cette thèse montre que la supervision faible permet un apprentissage efficace sur graphes en environnements à faible annotation. Elle soutient également que les avancées techniques doivent s’accompagner de réflexions sur l’utilisabilité et l’éthique afin de créer des systèmes d’IA véritablement responsables sur le plan social
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".