ചാറ്റ്ജിപിടിയിൽ ഭൂമിശാസ്ത്രപരമായ പക്ഷപാതങ്ങൾ നിലനിൽക്കുന്നുവെന്ന് ഗവേഷകർ വെളിപ്പെടുത്തുന്നു
പാരിസ്ഥിതിക നീതി പ്രശ്നങ്ങളെക്കുറിച്ച് ലൊക്കേഷൻ നിർദ്ദിഷ്ട വിവരങ്ങൾ നൽകാനുള്ള ചാറ്റ്ജിപിടിയുടെ ശേഷിയിൽ പരിമിതികൾ ഗവേഷകർ കണ്ടെത്തി.
ടെലിമാറ്റിക്സ് ആൻഡ് ഇൻഫോർമാറ്റിക്സ് ജേണലിൽ പ്രസിദ്ധീകരിച്ച അവരുടെ കണ്ടെത്തലുകൾ നിലവിലെ ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളിൽ നിലനിൽക്കുന്ന ഭൂമിശാസ്ത്രപരമായ പക്ഷപാതത്തിനുള്ള സാധ്യത സൂചിപ്പിക്കുന്നു.
“ഒരു ഭൂമിശാസ്ത്രജ്ഞനും ജിയോസ്പേഷ്യൽ ഡാറ്റാ സയന്റിസ്റ്റും എന്ന നിലയിൽ, ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ശക്തമായ സാധ്യതകളുള്ള ഒരു ഉപകരണമാണ്,” വിർജീനിയ ടെക്കിലെ കോളേജ് ഓഫ് നാച്ചുറൽ റിസോഴ്സസ് ആൻഡ് എൻവയോൺമെന്റിലെ അസിസ്റ്റന്റ് പ്രൊഫസർ ജംഗ്വാൻ കിം പറഞ്ഞു.
“അതേസമയം, ഭാവിയിലെ ഡവലപ്പർമാർ പക്ഷപാതത്തിന്റെ സാധ്യതകൾ തിരിച്ചറിയുന്നുവെന്ന് ഉറപ്പാക്കാൻ സാങ്കേതികവിദ്യയുടെ പരിമിതികൾ ഞങ്ങൾ അന്വേഷിക്കേണ്ടതുണ്ട്. അതാണ് ഈ ഗവേഷണത്തിന്റെ പ്രേരക പ്രചോദനം,” കിം കൂട്ടിച്ചേർത്തു.
അടുത്തുള്ള യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെ 3,108 കൗണ്ടികളുടെ പട്ടിക ഉപയോഗിച്ച്, ഓരോ കൗണ്ടിയിലെയും പാരിസ്ഥിതിക നീതി പ്രശ്നങ്ങളെക്കുറിച്ച് ഉടനടി ചോദിക്കുന്നതിന് ഉത്തരം നൽകാൻ ഗവേഷണ സംഘം ചാറ്റ്ജിപിടി ഇന്റർഫേസിനോട് ആവശ്യപ്പെട്ടു.
ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണങ്ങളുടെ പ്രകടനം പരിശോധിക്കാൻ സാധാരണയായി ഉപയോഗിക്കുന്ന ചോദ്യങ്ങളുടെ ശ്രേണി വിപുലീകരിക്കുന്നതിനുള്ള ഒരു വിഷയമായി ഗവേഷകർ പാരിസ്ഥിതിക നീതി തിരഞ്ഞെടുത്തു.
കൗണ്ടിയുടെ ചോദ്യങ്ങൾ ചോദിക്കുന്നത് ജനസാന്ദ്രത, ശരാശരി ഗാർഹിക വരുമാനം തുടങ്ങിയ സാമൂഹിക ഡെമോഗ്രാഫിക് പരിഗണനകൾക്കെതിരെ ചാറ്റ്ജിപിടി പ്രതികരണങ്ങൾ അളക്കാൻ ഗവേഷകരെ അനുവദിച്ചു.
പ്രവേശിച്ച 3018 കൗണ്ടികളിൽ 515 എണ്ണത്തിന് അല്ലെങ്കിൽ 17 ശതമാനം പേർക്ക് മാത്രമാണ് പാരിസ്ഥിതിക നീതി പ്രശ്നങ്ങളെക്കുറിച്ച് ലൊക്കേഷൻ നിർദ്ദിഷ്ട വിവരങ്ങൾ നൽകാൻ ചാറ്റ്ജിപിടിക്ക് കഴിഞ്ഞത്.
വിവരങ്ങൾ നേടുന്നതിനുള്ള ഒരു പുതിയ ഗേറ്റ് വേ ഉപകരണമായി ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉയർന്നുവരുന്നതിനാൽ, മോഡലിംഗ് ഔട്ട്പുട്ടുകളിലെ സാധ്യതയുള്ള പക്ഷപാതങ്ങളുടെ പരിശോധന ചാറ്റ്ജിപിടി പോലുള്ള പ്രോഗ്രാമുകൾ മെച്ചപ്പെടുത്തുന്നതിന്റെ ഒരു പ്രധാന ഭാഗമാണ്.
“കൂടുതൽ പഠനം ആവശ്യമാണെങ്കിലും, ചാറ്റ്ജിപിടി മോഡലിൽ ഭൂമിശാസ്ത്രപരമായ പക്ഷപാതങ്ങൾ നിലവിൽ നിലവിലുണ്ടെന്ന് ഞങ്ങളുടെ കണ്ടെത്തലുകൾ വെളിപ്പെടുത്തുന്നു,” കിം പറഞ്ഞു.
“പ്രോഗ്രാമർമാർക്കും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഡവലപ്പർമാർക്കും വലിയതും ചെറുതുമായ നഗരങ്ങൾ തമ്മിലുള്ള, നഗര, ഗ്രാമീണ പരിതസ്ഥിതികൾ തമ്മിലുള്ള വിവരങ്ങളുടെ അസമത്വം മുൻകൂട്ടി കാണാനും ലഘൂകരിക്കാനും എങ്ങനെ കഴിയുമെന്ന് അന്വേഷിക്കുന്നതിനുള്ള ഒരു തുടക്കമാണിത്,” രചയിതാക്കൾ അഭിപ്രായപ്പെട്ടു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
