促进精神健康与神经疾病研究中的公平和多样性言语数据集

自动语音识别中的道德数据集特征包括多样性、包容性和关键元数据，以提高模型的鲁棒性和可用性。

在临床精神病学中，机器学习应用面临公平性和偏见问题，提出了偏差消减策略，如重新加权和歧视感知正则化。

研究表明，数据中的系统性偏见会导致模型预测中的偏差增大，强调了负责任的数据集创建和评估框架的重要性。

通过对发言者群体的公平措施，研究发现可以缩小不同发言者群体间的差距，提高整体精确度。

分析表明，低诊断率造成的表现差异与训练数据中的人类偏见有关，可能会放大健康差异。

提出了一个评估数据集的负责任框架，发现没有一个数据集能完全避免公平性、隐私保护和合规性问题。

编制并发布了与临床和生物医学自然语言处理相关的数据集和基准目录，强调需要创建新的基准测试以填补现有差距。

总结了机器学习公平性的基本文献，并提出框架以识别和减轻数据和模型中的偏见，促进公共卫生机器学习模型的公平性。