認知バイアスについて読むための研究論文

May 09 2022
要約:シーングラフの生成は、特定の認識パターンがないため、高度なタスクです(例:
UnsplashのKellySikkemaによる写真
  1. 人間のようにバイアスをかける:シーングラフ生成のための認知バイアスフレームワーク(arXiv

概要 :シーングラフの生成は、特定の認識パターンがないため、高度なタスクです(たとえば、「見る」と「近い」は視覚に関して目立った違いはありませんが、「近い」は異なる形態のエンティティ間で発生する可能性があります)。したがって、一部のシーングラフ生成方法は、気まぐれな視覚的特徴と些細なデータセット注釈によって引き起こされる最も頻繁な関係予測に閉じ込められます。したがって、最近の研究では、より有益なシーングラフの予測のバランスをとるための「偏りのない」アプローチが強調されています。ただし、多数のオブジェクト間の関係に関する人間の迅速かつ正確な判断は、純粋なビジョンではなく、「バイアス」(つまり、経験と言語知識)に起因する必要があります。「認知バイアス」メカニズムに触発されたモデル機能を強化するために、人間が視覚ベースの表現のガイダンスとしてラベルの言語的特徴をどのように組み込むかをシミュレートする新しい3パラダイムのフレームワークを提案し、隠れた関係パターンをより適切にマイニングし、ノイズの多い視覚的伝播を軽減します。私たちのフレームワークは、どのシーングラフモデルにもモデルに依存しません。包括的な実験により、私たちのフレームワークは、最小のパラメーター増分でいくつかのメトリックでベースラインモジュールを上回り、VisualGenomeデータセットで新しいSOTAパフォーマンスを達成することが証明されています。

2.危機情報管理におけるデータと認知バイアスの相互作用について—エピデミック対応に関する探索的研究(arXiv

著者:David Paulus、Ramian Fathi、Frank Fiedrich 、Bartel Van de Walle、Tina Comes

概要 :2014年の西アフリカのエボラ出血熱の流行などの人道的危機は、情報管理に挑戦し、それによって対応する組織のデジタルレジリエンスを脅かしています。危機情報管理(CIM)は、状況の不確実性にもかかわらず対応する緊急性を特徴としています。高い利害関係、限られたリソース、および高い認知負荷と相まって、危機は、アナリストや意思決定者のデータと認知プロセスにバイアスを引き起こす傾向があります。バイアスがCIMで検出されず、処理されないままである場合、バイアスされた情報に基づく決定につながる可能性があり、非効率的な応答のリスクが高まります。文献によると、危機対応は、利用可能になったときに新しくより良い情報に適応することによって、初期の不確実性と起こりうるバイアスに対処する必要があります。でも、アダプティブアプローチがデータと認知バイアスの相互作用を軽減するかどうかについてはほとんどわかっていません。エピデミック応答に関する探索的3段階実験でこの質問を調査しました。私たちの参加者は、危機の意思決定と情報分析の分野で経験豊富な実務家でした。バイアスが検出された場合でも、アナリストはデータのバイアスを正常に解除できず、この失敗は、迅速な結果を優先してバイアス解除の取り組みを過小評価していることが原因である可能性があることがわかりました。この失敗は、意思決定者に伝えられる偏った情報製品の開発につながり、意思決定者は結果として偏った情報に基づいて決定を下します。確証バイアスは、偏ったデータで到達した結論への依存を強化し、偏った仮定が修正されないままであるという悪循環につながります。

3.非対称認知バイアスによる世論進化のダイナミクス(arXiv

著者:Yanbing Mao、Naira Hovakimyan、Tarek Abdelzaher

要約:この論文では、非対称認知バイアスを組み込んだ陰部意見モデルを提案します:確認バイアスと否定性バイアス。次に、非対称確証バイアスと否定性バイアスをキャプチャする一般的なモデリングガイダンスを調査します。数値例は、非対称認知バイアスモデルの正しさを実証するために提供されています

4.拡張ビジネス意思決定システムにおける認知バイアスへの対処(arXiv

著者:Thomas Baudel、Manon Verbockhaven、Guillaume Roy、Victoire Cousergue、Rida Laarach

概要 :ビジネスの意思決定プロセスに導入されたアルゴリズムによる意思決定支援は、タスクのパフォーマンスにどのように影響しますか?最初の実験では、効果的なコラボレーションを研究します。決定に直面して、被験者だけで72%の成功率があります。75%の成功率を持つ推薦者の助けを借りて、彼らの成功率は76%に達します。したがって、人間とシステムのコラボレーションは、それぞれを単独で行うよりも成功率が高くなりました。ただし、推奨者が間違っていた場合、意思決定の質を5%低下させる自己満足/権限の偏りに気づきました。これは、長引くアルゴリズムバイアスが意思決定支援によって増幅される可能性があることを示唆しています。2番目の実験では、自己満足バイアスの削減における5つのプレゼンテーションバリアントの有効性を評価しました。オプションのプレゼンテーションは、間違った推奨に対する被験者の抵抗を高めることがわかりました。私たちのメトリクスは、

5.社会的に責任のあるAIに向けて:認知バイアスを意識した多目的学習(arXiv

著者:Procheta Sen、Debasis Ganguly

概要 :人間社会には、社会的偏見や大規模な不正につながる認知バイアスに苦しんできた長い歴史がありました。大量の履歴データに認知バイアスが蔓延していると、そのようなデータでトレーニングされたAIシステムの出力として、非倫理的で一見非人道的な予測として現れる恐れがあります。この問題を軽減するために、一連のID属性(性別、民族性など)と、予測出力の可能なクラスの機密カテゴリのサブセットを指定して、頻度を減らすことを学習する、バイアスを意識した多目的学習フレームワークを提案します。それらの特定の組み合わせを予測すること、例えば、「ほとんどの黒人は虐待的な言葉を使う」、または「恐れは女性の美徳である」などのステレオタイプを予測すること。バランスの取れたクラスの事前評価を使用して感情予測タスクで実施した実験では、ベースラインバイアスに依存しないモデルのセットは、女性は恐れる傾向があり、男性は怒る傾向があるなど、性別に関して認知バイアスを示すことが示されています。対照的に、私たちが提案するバイアスを意識した多目的学習方法論は、予測された感情におけるそのようなバイアスを減らすことが示されています。

© Copyright 2021 - 2023 | hachiwiki.com | All Rights Reserved