通过信念引导减少标注者偏见
原文中文,约500字,阅读约需2分钟。发表于: 。本研究解决了众包数据标注中常见的标注者偏见问题,尤其是由于标注者背景差异造成的系统性不一致。提出了一种新颖的方法,通过询问标注者对其他标注者判断的信念来获取更具代表性和更少偏见的标签。研究表明,该方法能够显著减少不同背景标注者之间的偏见,从而提高人工智能系统的普遍适用性,并有助于保护未被代表的社会群体。
数据标注是机器学习和人工智能的基础。研究强调评分者多样性对模型公平性的重要性,并关注标注者的工作条件和心理影响。文章回顾了数据标注的历史,质疑实验结果的普适性,指出心理学过于依赖WEIRD国家的参与者,而许多标注者来自全球南方。非WEIRD标注者被迫接受WEIRD国家的社会分类,这可能固化过时的分类。文章提出框架以理解全球社会条件与标注工作的互动。