概述
偏見可以透過訓練範例、人類標籤、政策定義、閾值和上訴流程進入;高總體準確度分數並不能顯示特定社區是否存在誤報或漏報群集。
深入探討
自動審核通常結合了分類器、規則、使用者報告和人工審核。分類器可以估計文字是否有毒、仇恨、垃圾郵件或其他違反平台政策的內容;他們的產出是決策的證據,而不是政策本身。錯誤會產生不同的後果:誤報可能會隱藏善意的言論或讓使用者沉默,而誤報可能會導致濫用行為顯而易見。語境很重要,包括引文、反言、諷刺、回收術語和方言。一個經過充分研究的偏差來源是資料集標籤。 Sap 及其同事的 2019 年 ACL 研究發現,AAE 表面標記與幾個廣泛使用的仇恨言論資料集中的毒性評級相關。然後,在這些資料集上訓練的模型將 AAE 推文和自認為黑人作者的推文標記為攻擊性內容,其頻率在測試資料中的頻率高達兩倍。告訴人類註釋者一則推文使用了 AAE 會降低攻擊性評級。後來的一項關於毒性檢測的 ACL 研究同樣研究了身份術語和註釋者分歧如何影響模型。這些結果適用於特定的資料集、註釋者和系統;它們並沒有顯示每種審核工具都存在歧視,或任何方言特徵本身都是有害的。因此,公平的審查會詢問已發布的政策中「有害」的含義、誰標記了範例、代表了哪些上下文以及分數如何成為帳戶操作。錯誤閾值、語言覆蓋範圍、人工升級和上訴程序都會影響結果。平台應報告分組結果,與受影響社區一起審查政策範例,並為使用者保留挑戰錯誤的途徑。調節是一個社會技術決策過程,而不僅僅是一個模型準確性問題。
現實世界的實施
當貼文以非裔美國英語 (AAE) 或標準美國英語表達時,平台會檢查毒性分數是否發生變化,同時保持含義相似。
審核團隊審核回收的身份術語和上下文,而不是將關鍵字清單視為濫用的證據。
研究人員在審查毒性資料集時將人類註釋分歧與模型錯誤分開。
平台會根據語言種類追蹤刪除和申訴結果,然後在某個群體承受不尋常的誤報負擔時更改其工作流程。
內容審核演算法中偏差的未來
隨著平台部署多語言和產生審核工具,評估將需要包括更多的語言品種、當地環境和使用者訴求。在隱私允許的情況下,按任務和語言發布績效和執行措施。保持每個基準的限制可見,因為政策選擇和社區期望可能會改變。在描述目前系統之前再次查看主要記錄,因為操作狀態和法律補救措施可能會發生變化。對於研究主張,重新檢視原始方法、樣本、註釋程序、對照組和出版更正。一個資料集中測量到的差異應該促進有針對性的測試,而不是對每個模型或受影響人群的普遍主張。
付諸實踐
為什麼這很重要
- 風險與安全. 災難性和日常的人工智慧危害都取決於誰了解風險以及誰能夠採取行動。
- 更明確的決策. 民眾和專業素養決定強而有力的安全政策在政治上是否可行。
- 突破炒作. 清晰的解釋可以減少炒作、實驗室公關和模糊道德劇場的影響。
留意
- 將存在風險視為科幻小說,同時能力複合。
- 混淆了表面產品安全與高度自治下的對準。
- 只給非英語和非專業觀眾留下低品質的資源。
後續步驟
- 單獨的產品危害、誤用和失控/失調風險。
- 詢問哪些證據會改變您對時間表和嚴重性的看法。
- 比起行銷主張,更喜歡主要來源和具體評估。
- 確定一條行動路徑:職業、政策、資金或技能——而不僅僅是意識。
不斷探索
常見問題
什麼是內容審核演算法中的偏差?
內容審核系統會將貼文分類以供審查或刪除,其錯誤可能會因語言種類和主題而異。偏見可以透過訓練範例、人類標籤、政策定義、閾值和上訴流程進入;高總體準確度分數並不能顯示特定社區是否存在誤報或漏報群集。
審核偽陽性是如何發生的?
誤報是指不應觸發操作但被系統標記的內容。
Sap 等人在 2019 年對仇恨言論資料集的研究中發現了什麼?
作者發現資料集中存在相關性,經過訓練的模型在評估中傳播了這種關聯。
Sap 等人在實驗中報告的 AAE 推文最高相對標記差異是多少?
論文報告稱,在測試資料中,AAE 推文和自稱黑人作者的推文被貼上攻擊性標籤的可能性高達兩倍。
方言啟發(dialect priming)如何影響 2019 年研究中的標註者?
當註釋者被告知推文使用了 AAE 時,他們不太可能給推文貼上攻擊性的標籤。
為什麼僅基於關鍵字的審核規則會誤判被重新定義的語言(reclaimed language)?
同一術語可能會被濫用、引用或回收,因此上下文會影響內容是否違反政策。