Необъективно или не объективно: необъективно — Викисловарь

необъективный — это… Что такое необъективный?



необъективный

необъективный

Слитно или раздельно? Орфографический словарь-справочник. — М.: Русский язык.
Б. З. Букчина, Л. П. Какалуцкая.
1998.

Синонимы:

  • необъективность
  • необъемлемость

Смотреть что такое «необъективный» в других словарях:

  • необъективный — предвзятый, тенденциозный, пристрастный, лицеприятный, предубеждённый; субъективный, предубежденный, небеспристрастный, квазиобъективный. Ant. объективный, беспристрастный, нелицеприятный Словарь русских синонимов. необъективный пристрастный,… …   Словарь синонимов

  • Необъективный — прил. Не отражающий истинного положения дел; пристрастный. Толковый словарь Ефремовой. Т. Ф. Ефремова. 2000 …   Современный толковый словарь русского языка Ефремовой

  • необъективный — необъективный, необъективная, необъективное, необъективные, необъективного, необъективной, необъективного, необъективных, необъективному, необъективной, необъективному, необъективным, необъективный, необъективную, необъективное, необъективные,… …   Формы слов

  • необъективный — необъект ивный; кратк. форма вен, вна …   Русский орфографический словарь

  • необъективный — кр.ф. необъекти/вен, необъекти/вна, вно, вны; необъекти/внее …   Орфографический словарь русского языка

  • необъективный — *необъекти/вный …   Слитно. Раздельно. Через дефис.

  • необъективный — Syn: предвзятый, тенденциозный (кн.), пристрастный (усил.), лицеприятный (редк., кн., усил.), предубежденный Ant: объективный, беспристрастный, нелицеприятный …   Тезаурус русской деловой лексики

  • необъективный — ая, ое; вен, вна, вно. Не отражающий действительного положения дел; пристрастный. Н ая оценка. Н ое отношение. Н ая картина. ◁ Необъективно, нареч. Н. оценивать. Н. относиться к кому л. Необъективность, и; ж. Н. характеристики. Н. выводов, оценки …   Энциклопедический словарь

  • необъективный — ая, ое; вен, вна, вно. см. тж. необъективно, необъективность Не отражающий действительного положения дел; пристрастный. Н ая оценка. Н ое отношение. Н ая картина …   Словарь многих выражений

  • необъективный — не/объективн/ый …   Морфемно-орфографический словарь

необъективно — это… Что такое необъективно?

  • необъективно — лицеприятно, тенденциозно, пристрастно, субъективно, предубежденно, предвзято, с предубеждением, небеспристрастно, с пристрастием Словарь русских синонимов. необъективно пристрастно, с пристрастием, предубеждённо, с предубеждением, предвзято,… …   Словарь синонимов

  • необъективно — нареч …   Орфографический словарь русского языка

  • необъективно — *необъекти/вно, нареч …   Слитно. Раздельно. Через дефис.

  • необъективно — см. необъективный; нареч. Необъекти/вно оценивать. Необъекти/вно относиться к кому л …   Словарь многих выражений

  • лицеприятно — предубежденно, пристрастно, предвзято, тенденционно, с предубеждением, необъективно, тенденциозно Словарь русских синонимов. лицеприятно см. необъективно Словарь синонимов русского языка. Практический справочник. М.: Русский язык …   Словарь синонимов

  • пристрастно — тенденциозно, с пристрастием, с предубеждением, односторонне, предвзято, предубежденно, несправедливо, лицеприятно, необъективно, любовно, субъективно Словарь русских синонимов. пристрастно см. необъективно Словарь синонимов русско …   Словарь синонимов

  • предвзято — тенденциозно, необъективно, лицеприятно, субъективно, с предубеждением, с пристрастием, односторонне, предубежденно, несправедливо, пристрастно Словарь русских синонимов. предвзято см. необъективно Словарь синонимов русского языка. П …   Словарь синонимов

  • предубежденно — суеверно, с пристрастием, с предубеждением, предвзято, необъективно, пристрастно, лицеприятно, тенденциозно Словарь русских синонимов. предубеждённо см. необъективно Словарь синонимов русского языка. Практический справочник. М …   Словарь синонимов

  • тенденциозно — См …   Словарь синонимов

  • Леди Винтер — Milady de Winter Маргарита Терехова в роли Миледи‎ Создат …   Википедия

  • что такое в Слитно или раздельно? Орфографическом словар
    Смотреть что такое НЕОБЪЕКТИВНО в других словарях:

    НЕОБЪЕКТИВНО

    необъективно
    лицеприятно, тенденциозно, пристрастно, субъективно, предубежденно, предвзято, с предубеждением, небеспристрастно, с пристрастием
    Словарь русских синонимов.
    необъективно
    пристрастно, с пристрастием, предубеждённо, с предубеждением, предвзято, тенденциозно; лицеприятно (устар.)
    Словарь синонимов русского языка. Практический справочник. — М.: Русский язык.З. Е. Александрова.2011.
    необъективно
    неизм.
    • пристрастно
    • лицеприятно
    Словарь русских синонимов. Контекст 5.0 — Информатик.2012.
    необъективно
    нареч, кол-во синонимов: 9
    • лицеприятно (6)
    • небеспристрастно (2)
    • предвзято (10)
    • предубежденно (9)
    • пристрастно (11)
    • с предубеждением (7)
    • с пристрастием (7)
    • субъективно (9)
    • тенденциозно (12)
    Словарь синонимов ASIS.В.Н. Тришин.2013.
    .
    Синонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с пристрастием, субъективно, тенденциозно… смотреть

    НЕОБЪЕКТИВНО

    приставка — НЕ; корень — ОБЪЕКТИВН; окончание — О; Основа слова: НЕОБЪЕКТИВНВычисленный способ образования слова: Приставочный или префиксальный¬ — НЕ;… смотреть

    НЕОБЪЕКТИВНО

    *необъекти/вно, нареч.
    Синонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с пристрастием, субъективно,… смотреть

    НЕОБЪЕКТИВНО

    .
    нареч. к необъективный.Судить необъективно.Синонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с прист… смотреть

    НЕОБЪЕКТИВНО

    = Пристрастно Синонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с пристрастием, субъективно, тенденци… смотреть

    НЕОБЪЕКТИВНО

    наречие.. необ’єктивноот слова: необъективный прилаг.Краткая форма: необъективеннеоб’єктивний

    НЕОБЪЕКТИВНО

    нареч.Синонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с пристрастием, субъективно, тенденциозно

    НЕОБЪЕКТИВНО

    illusoryСинонимы:
    лицеприятно, небеспристрастно, предвзято, предубежденно, пристрастно, с предубеждением, с пристрастием, субъективно, тенденциозно

    НЕОБЪЕКТИВНО

    необъективно лицеприятно, тенденциозно, пристрастно, субъективно, предубежденно, предвзято, с предубеждением, небеспристрастно, с пристрастием

    Как правильно пишется слово НЕОБЪЕКТИВНЫЙ. Ударение в слове НЕОБЪЕКТИВНЫЙ

    НЕОБЪЕКТИ́ВНЫЙ, —ая, —ое; —вен, —вна, —вно. Не отражающий объективного положения дел; пристрастный. Необъективная оценка. Необъективное отношение.

    Все значения слова «необъективный»


    • Однако сегодня распространена технология сетевого мошенничества кликфорд, в задачу которой входит формирование необъективных показателей pay per click.


    • Прямая личная заинтересованность подразумевает наличие у участника установки на заведомо необъективное процессуальное действие или неправомерное решение в связи с материальными или иными интересами, которые могут быть затронуты в ходе производства по делу об административном правонарушении.


    • Расследование в отношении указанных лиц проводилось односторонне и необъективно, применялось психологическое давление с целью получения показаний о признании вины во взяточничестве.

    (все
    предложения)

    Значение слова НЕОБЪЕКТИВНЫЙ. Что такое НЕОБЪЕКТИВНЫЙ?
    • НЕОБЪЕКТИ́ВНЫЙ, —ая, —ое; —вен, —вна, —вно. Не отражающий объективного положения дел; пристрастный. Необъективная оценка. Необъективное отношение.

    Источник (печатная версия): Словарь русского языка: В 4-х
    т. / РАН,
    Ин-т лингвистич.
    исследований; Под ред. А. П. Евгеньевой. — 4-е изд., стер. — М.: Рус. яз.;
    Полиграфресурсы,
    1999;
    (электронная версия): Фундаментальная
    электронная
    библиотека

    Делаем Карту слов лучше вместе




    Привет! Меня зовут Лампобот, я компьютерная программа, которая помогает делать
    Карту слов. Я отлично
    умею считать, но пока плохо понимаю, как устроен ваш мир. Помоги мне разобраться!

    Спасибо! Я обязательно научусь отличать широко распространённые слова от узкоспециальных.


    Насколько понятно значение слова экстраполировать (глагол), экстраполируя:

    Кристально
    понятно

    Понятно
    в общих чертах

    Могу только
    догадываться

    Понятия не имею,
    что это

    Другое
    Пропустить

    необъективный — это… Что такое необъективный?

    

    необъективный

    -ая, -ое; -вен, -вна, -вно.

    Не отражающий объективного положения дел; пристрастный.

    Необъективная оценка. Необъективное отношение.

    Малый академический словарь. — М.: Институт русского языка Академии наук СССР.
    Евгеньева А. П..
    1957—1984.

    Синонимы:

    • необъекти́вность
    • необъясни́мо

    Смотреть что такое «необъективный» в других словарях:

    • необъективный — необъективный …   Орфографический словарь-справочник

    • необъективный — предвзятый, тенденциозный, пристрастный, лицеприятный, предубеждённый; субъективный, предубежденный, небеспристрастный, квазиобъективный. Ant. объективный, беспристрастный, нелицеприятный Словарь русских синонимов. необъективный пристрастный,… …   Словарь синонимов

    • Необъективный — прил. Не отражающий истинного положения дел; пристрастный. Толковый словарь Ефремовой. Т. Ф. Ефремова. 2000 …   Современный толковый словарь русского языка Ефремовой

    • необъективный — необъективный, необъективная, необъективное, необъективные, необъективного, необъективной, необъективного, необъективных, необъективному, необъективной, необъективному, необъективным, необъективный, необъективную, необъективное, необъективные,… …   Формы слов

    • необъективный — необъект ивный; кратк. форма вен, вна …   Русский орфографический словарь

    • необъективный — кр.ф. необъекти/вен, необъекти/вна, вно, вны; необъекти/внее …   Орфографический словарь русского языка

    • необъективный — *необъекти/вный …   Слитно. Раздельно. Через дефис.

    • необъективный — Syn: предвзятый, тенденциозный (кн.), пристрастный (усил.), лицеприятный (редк., кн., усил.), предубежденный Ant: объективный, беспристрастный, нелицеприятный …   Тезаурус русской деловой лексики

    • необъективный — ая, ое; вен, вна, вно. Не отражающий действительного положения дел; пристрастный. Н ая оценка. Н ое отношение. Н ая картина. ◁ Необъективно, нареч. Н. оценивать. Н. относиться к кому л. Необъективность, и; ж. Н. характеристики. Н. выводов, оценки …   Энциклопедический словарь

    • необъективный — ая, ое; вен, вна, вно. см. тж. необъективно, необъективность Не отражающий действительного положения дел; пристрастный. Н ая оценка. Н ое отношение. Н ая картина …   Словарь многих выражений

    • необъективный — не/объективн/ый …   Морфемно-орфографический словарь

    необъективно — это… Что такое необъективно?

  • необъективно — необъективно …   Орфографический словарь-справочник

  • необъективно — лицеприятно, тенденциозно, пристрастно, субъективно, предубежденно, предвзято, с предубеждением, небеспристрастно, с пристрастием Словарь русских синонимов. необъективно пристрастно, с пристрастием, предубеждённо, с предубеждением, предвзято,… …   Словарь синонимов

  • необъективно — нареч …   Орфографический словарь русского языка

  • необъективно — см. необъективный; нареч. Необъекти/вно оценивать. Необъекти/вно относиться к кому л …   Словарь многих выражений

  • лицеприятно — предубежденно, пристрастно, предвзято, тенденционно, с предубеждением, необъективно, тенденциозно Словарь русских синонимов. лицеприятно см. необъективно Словарь синонимов русского языка. Практический справочник. М.: Русский язык …   Словарь синонимов

  • пристрастно — тенденциозно, с пристрастием, с предубеждением, односторонне, предвзято, предубежденно, несправедливо, лицеприятно, необъективно, любовно, субъективно Словарь русских синонимов. пристрастно см. необъективно Словарь синонимов русско …   Словарь синонимов

  • предвзято — тенденциозно, необъективно, лицеприятно, субъективно, с предубеждением, с пристрастием, односторонне, предубежденно, несправедливо, пристрастно Словарь русских синонимов. предвзято см. необъективно Словарь синонимов русского языка. П …   Словарь синонимов

  • предубежденно — суеверно, с пристрастием, с предубеждением, предвзято, необъективно, пристрастно, лицеприятно, тенденциозно Словарь русских синонимов. предубеждённо см. необъективно Словарь синонимов русского языка. Практический справочник. М …   Словарь синонимов

  • тенденциозно — См …   Словарь синонимов

  • Леди Винтер — Milady de Winter Маргарита Терехова в роли Миледи‎ Создат …   Википедия

  • Насколько предвзятым является ваш источник новостей? Вы, вероятно, не согласны с этим графиком

    • Последние
    • Watchlist
    • Рынки
    • Инвестирование
    • Баррона
    • Личные финансы
    • Эконом
    • Выход на пенсию
    • Коронавирус
    • Видеоцентр
    • Комментарий
    • Больше

    • Настройки учетной записи
    • Войти в систему
    • Регистрация

    Рекламное объявление

    Рекламное объявление

    • Домой
    • Последние новости
    • Список
    • рынки

      • УниверситетS. Markets
      • Канада
      • Европа и Ближний Восток
      • Азия
      • Развивающиеся рынки
      • Латинская Америка
      • Рыночные данные
    • инвестирование

      • Баррон
      • Лучшие новые идеи
      • Запасы
      • ВИС
      • Паевые инвестиционные фонды
      • биржевые индексные фонды
      • Параметры
      • облигации
      • товаров
      • валюты
      • Cryptocurrencies
      • фьючерсы
      • Центр финансовых консультантов
      • конопля
    • Баррон
    • Экономика и политика

      • Коронавирус
      • Отчет Капитолия
      • Трамп сегодня
      • Выборы 2020
      • Федеральный резерв
      • Экономический отчет
      • Рекс Наттинг
      • Brexit
      • УниверситетS. Экономический календарь
    • Личные финансы

      • Лучшие новые идеи в области здравоохранения

    .

    Хотите принимать менее предвзятые решения? Используйте Алгоритмы.
    Резюме

    Является ли рост принятия алгоритмических решений хорошей вещью? Кажется, что растет число авторов, ученых и журналистов, которые ответили бы отрицательно. В основе этой работы лежит обеспокоенность тем, что алгоритмы часто являются непрозрачными, предвзятыми и необъяснимыми инструментами, используемыми в интересах институциональной власти. Эти критические замечания и исследования часто являются проницательными и осветительными, и они хорошо поработали над тем, чтобы разубедить нас в том, что алгоритмы являются чисто объективными.Но среди этих критиков есть закономерность, заключающаяся в том, что они редко спрашивают, насколько хорошо анализируемые ими системы будут работать без алгоритмов . И это самый актуальный вопрос для практиков и политиков: как смещение и эффективность алгоритмов сравниваются с человеческими существами? Не секрет, что алгоритмы предвзяты. Но люди, которых они заменяют, значительно более предвзяты . В конце концов, откуда берутся институциональные предубеждения, если не люди, которые традиционно руководили?

    Орлах Мерфи / Getty Images

    Происходит тихая революция.В отличие от большей части освещения искусственного интеллекта в прессе, эта революция не связана с господством разумной армии андроидов. Скорее, для него характерно неуклонное увеличение автоматизации процессов принятия решений, традиционно основанных на человеке, во всех организациях по всей стране. Несмотря на то, что такие достижения, как AlphaGo Zero, привлекают внимание, это довольно обычные методы машинного обучения и статистики — обычные наименьшие квадраты, логистическая регрессия, деревья решений — которые добавляют реальную ценность ко многим организациям.Реальные применения варьируются от медицинских диагнозов и судебных приговоров до профессионального набора и распределения ресурсов в государственных учреждениях.

    Является ли эта революция хорошей вещью? Кажется, что растет число авторов, ученых и журналистов, которые ответили бы отрицательно. Названия книг в этом жанре включают Оружия математического разрушения , Автоматическое неравенство и Общество черного ящика . Был также целый ряд статей в стиле экспозиции, таких как «Смещение машины», «Экономия — это алгоритм» и «Алгоритмы создают новую инфраструктуру расизма?» В основе этой работы лежит обеспокоенность тем, что алгоритмы часто являются непрозрачными, предвзятыми и необъяснимыми инструментами, используемыми в интересах институциональной власти.Так как же нас беспокоит современное господство алгоритмов?

    Инсайт Центр
    • Принятие AI

      При поддержке SAS

      Как компании используют искусственный интеллект в своей деятельности.

    Эти критические замечания и исследования часто проницательны и освещают, и они хорошо поработали над тем, чтобы разубедить нас в том, что алгоритмы являются чисто объективными.Но среди этих критиков есть закономерность, заключающаяся в том, что они редко спрашивают, насколько хорошо анализируемые ими системы будут работать без алгоритмов . И это самый актуальный вопрос для практиков и политиков: как смещение и эффективность алгоритмов соотносятся с существующим положением? Вместо того, чтобы просто спрашивать, являются ли алгоритмы ошибочными, мы должны спросить, как эти недостатки сравниваются с человеческими.

    Что говорит исследование?

    Существует множество исследований алгоритмического принятия решений, которое насчитывает несколько десятилетий.И все существующие исследования по этой теме имеют удивительно похожий вывод: алгоритмы менее предвзяты и более точны, чем люди, которых они заменяют. Ниже приведен пример исследования о том, что происходит, когда алгоритмы получают контроль над задачами, традиционно выполняемыми людьми (все выделено мной):

    • В 2002 году группа экономистов изучила влияние алгоритмов автоматического андеррайтинга в индустрии ипотечного кредитования. Их первичные выводы заключались в том, что «[автоматизированные системы андеррайтинга] более точно предсказывают дефолт, чем ручные андеррайтеры», и «что эта повышенная точность приводит к более высоким показателям одобрения заемщиками, особенно для заявителей с недостаточным уровнем обслуживания. Вместо того, чтобы маргинализовать традиционно недооцененных покупателей жилья, алгоритмическая система действительно принесла наибольшую пользу этому сегменту потребителей.
    • Аналогичный вывод был сделан Бо Коуггиллом из Колумбийской бизнес-школы, когда он изучал эффективность алгоритма отбора вакансий в компании-разработчике программного обеспечения (предстоящее исследование). Когда компания развернула алгоритм для определения того, какие кандидаты должны пройти собеседование, алгоритм фактически предпочел «нетрадиционных» кандидатов гораздо больше, чем люди-скринеры.По сравнению с людьми, алгоритм продемонстрировал значительно меньшую предвзятость по отношению к кандидатам, которые были недостаточно представлены в фирме (например, те, у кого не было личных рекомендаций или дипломов из престижных университетов).
    • В контексте досудебных слушаний о залоге в Нью-Йорке группа видных компьютерных ученых и экономистов определила, что алгоритмы имеют потенциал для достижения значительно более справедливых решений, чем судьи, которые в настоящее время принимают решения об освобождении под залог, с «сокращением числа заключенных в тюрьму [ из] до 41.9% без увеличения уровня преступности ». Они также обнаружили, что в их модели «все категории преступлений, включая насильственные преступления, показывают сокращение [в тюрьмах]; и эти выгоды могут быть достигнуты при одновременном сокращении расового неравенства ».
    • Журнал New York Times недавно опубликовал длинную историю, чтобы ответить на вопрос: «Может ли алгоритм определить, когда дети в опасности?» Оказывается, ответ «да», и что алгоритмы могут выполнять эту задачу гораздо точнее, чем люди.Вместо того, чтобы усугублять пагубные расовые предрассудки, связанные с некоторыми государственными службами, «опыт Аллегейни показывает, что его инструмент скрининга менее плох в оценке предвзятости, чем люди, проводившие скрининг».
    • Наконец, взглянув на исторические данные о публичных компаниях, команда финансовых профессоров решила разработать алгоритм выбора лучших членов совета директоров для данной компании. Исследователи не только обнаружили, что компании будут работать лучше с алгоритмически отобранными членами совета директоров, но по сравнению с предложенным им алгоритмом они «обнаружили, что фирмы [без алгоритмов], как правило, выбирают директоров, которые с гораздо большей вероятностью являются мужчинами , имеют большая сеть, имеет большой опыт работы в совете директоров, в настоящее время работает на большем количестве советов и имеет финансовый опыт.

    В каждом из этих тематических исследований ученые, занимающиеся данными, делали то, что звучит как тревожная вещь: они обучали свои алгоритмы прошлым данным, которые, безусловно, смещены историческими предрассудками. Так что здесь происходит? Как получается, что во многих различных областях — заявках на кредиты, проверке работы, уголовном правосудии, распределении государственных ресурсов и корпоративном управлении — алгоритмы могут снижать предвзятость, когда многие комментаторы говорят нам, что алгоритмы должны действовать противоположным образом?

    Люди являются поразительно плохими лицами, принимающими решения

    Не скрытый секрет за алгоритмами, упомянутыми выше, заключается в том, что они на самом деле смещены на .Но люди, которых они заменяют, значительно более предвзяты . В конце концов, откуда берутся институциональные предубеждения, если не люди, которые традиционно руководили?

    Но люди не могут быть такими плохими, верно? Да, мы можем быть предвзятыми, но, безусловно, есть определенный показатель эффективности, благодаря которому мы являемся хорошими лицами, принимающими решения. К сожалению, десятилетия психологических исследований в области суждений и принятия решений снова и снова демонстрировали, что люди являются удивительно плохими ценителями качества в широком диапазоне контекстов.Благодаря новаторской работе Пола Мила (и последующей работе Робин Дауэс), по крайней мере с 1950-х годов мы знаем, что очень простые математические модели превосходят предполагаемых экспертов в прогнозировании важных результатов в клинических условиях.

    Во всех приведенных выше примерах люди, которые привыкли принимать решения, были настолько удивительны, что замена их алгоритмами, повышавшими точность и , уменьшила институциональные смещения. Это то, что экономисты называют улучшением по Парето, , где одна политика выбивает альтернативу для каждого результата, который нас интересует.Хотя многие критики любят подразумевать, что современные организации преследуют операционную эффективность и более высокую производительность за счет справедливости и справедливости, все имеющиеся данные в этих контекстах говорят о том, что такого компромисса нет: алгоритмы обеспечивают более эффективную и больше справедливые результаты. Если что-то должно вас тревожить, это должно быть фактом, что так много важных решений принимаются людьми, которые, как мы знаем, являются непоследовательными, предвзятыми и феноменально плохими лицами, принимающими решения.

    Улучшение Status Quo

    Конечно, мы должны делать все возможное, чтобы искоренить институциональную предвзятость и ее пагубное влияние на алгоритмы принятия решений. Критика алгоритмического принятия решений породила новую волну исследований в области машинного обучения, которая более серьезно относится к социальным и политическим последствиям алгоритмов. В статистике и машинном обучении появляются новые методы, разработанные специально для решения проблем, связанных с алгоритмической дискриминацией.Ежегодно проводится даже научная конференция, на которой исследователи не только обсуждают этические и социальные проблемы машинного обучения, но и представляют новые модели и методы, обеспечивающие положительное влияние алгоритмов на общество. Эта работа, вероятно, станет еще более важной, поскольку менее прозрачные алгоритмы, такие как глубокое обучение, станут более распространенными.

    Но даже если технология не может полностью решить социальные проблемы институциональной предвзятости и предвзятой дискриминации, данные, рассмотренные здесь, показывают, что на практике это может сыграть небольшую, но измеримую роль в улучшении существующего положения дел.Это не аргумент в пользу алгоритмического абсолютизма или слепой веры в силу статистики. Если в некоторых случаях мы обнаруживаем, что алгоритмы имеют неприемлемо высокую степень смещения по сравнению с текущими процессами принятия решений, то не будет никакого вреда, если следовать доказательствам и поддерживать существующую парадигму. Но обязательство следовать данным доказательствам сокращает оба пути, и мы должны быть готовы согласиться с тем, что — в некоторых случаях — алгоритмы будут частью решения для сокращения институциональных смещений.Поэтому в следующий раз, когда вы прочитаете заголовок об опасностях алгоритмического предубеждения, не забудьте посмотреть в зеркало и вспомнить, что риски предвзятости человека, вероятно, еще хуже.

    ,

    Понимание и уменьшение смещения в машинном обучении | by Jaspreet

    Jaspreet

    ‘.. даже после наблюдения частого или постоянного соединения объектов у нас нет никаких оснований делать какие-либо выводы относительно любого объекта, кроме тех, с которыми мы сталкивались ”- Юм, трактат человеческой природы

    Мирей Хильдебрандт, юрист и философ, работающий на стыке юриспруденции и технологий, много писала и много говорила о проблеме предвзятости и справедливости в алгоритмах машинного обучения.В следующей статье об автоматическом машинном обучении без учета предвзятости (Hildebrandt, 2019) она утверждает, что машинного обучения без предвзятости не существует и что продуктивный уклон необходим для алгоритма, позволяющего моделировать данные и делать соответствующие прогнозы. Три основных типа смещения, которые могут возникнуть в прогностической системе, могут быть изложены следующим образом:

    · Смещение, присущее любой системе восприятия действий (продуктивное смещение)

    · Смещение, которое некоторые квалифицируют как несправедливое

    · Смещение, которое различает На основании запрещенных правовых основ

    Эффективность в машинном обучении достигается за счет минимизации функции стоимости.Выбор функции стоимости и, следовательно, пространства поиска и возможных значений минимума вводит то, что мы называем продуктивным смещением в систему. Другие источники продуктивной предвзятости исходят из контекста, цели, наличия адекватных данных обучения и испытаний, используемого метода оптимизации, а также из компромиссов между скоростью, точностью, переоснащением и переобобщением, каждый выбор связан с соответствующей стоимостью. Таким образом, предположение о том, что машинное обучение свободно от смещения, является ложным, поскольку смещение является фундаментальным свойством систем индуктивного обучения.Кроме того, данные обучения также обязательно смещены, и функция дизайна исследования состоит в том, чтобы отделить смещение, которое аппроксимирует образец в данных, которые мы устанавливаем, чтобы обнаружить смещение, которое является дискриминационным или просто вычислительным артефактом.

    Смещение в машинном обучении определяется как феномен наблюдения результатов, которые систематически предвзяты из-за ошибочных предположений. Однако, без предположений, алгоритм не будет иметь лучшую производительность для задачи, чем если бы результат был выбран случайным образом, принцип, который был формализован Wolpert в 1996 году в то, что мы называем теоремой без бесплатного обеда.

    Согласно «Теореме об отсутствии бесплатного обеда» (Macready, 1997) все классификаторы имеют одинаковую частоту ошибок при усреднении по всем возможным распределениям, генерирующим данные. Следовательно, определенный классификатор должен иметь определенный уклон к определенным распределениям и функциям, чтобы лучше моделировать эти распределения, что в то же время ухудшит его при моделировании других типов распределений.

    Рисунок 1. Описание теоремы об отсутствии бесплатного обеда, где повышение производительности при решении проблемы определенного типа приводит к потере общности (Fedden, 2017).

    Следует также всегда помнить, что данные, используемые для обучения алгоритма, конечно, и, следовательно, не отражает реальность.Это также приводит к смещению, которое возникает в результате выбора данных обучения и тестирования и их представления о реальной популяции. Другое предположение, которое мы делаем, заключается в предположении, что данные ограниченного обучения способны моделировать и точно классифицировать данные испытаний.

    «[…] Самая современная теория машинного обучения опирается на решающее предположение, что распределение обучающих примеров идентично распределению тестовых примеров. Несмотря на нашу необходимость сделать это предположение для получения теоретических результатов, важно иметь в виду, что это предположение часто должно нарушаться на практике.«
    — Тим Митчелл

    Даже если нам удастся избавить наши системы от вышеупомянутых смещений, все еще существует вероятность того, что смещение будет проскальзывать со временем: как только алгоритмы обучены, работают хорошо и запускаются в работу, как это происходит? обновленный алгоритм: кто определяет, хорошо ли работает система два года спустя, и кто определяет, что значит для системы успешность?

    Знание различных смещений, присутствующих в этих системах, требует способности объяснять и интерпретировать, как они работают, повторяя тему прозрачности выступления Адриана Веллера: если вы не можете проверить это, вы не можете оспорить его.Нам необходимо четко понимать смещение производительности, которое обеспечивает функциональность этих систем, и выяснять остающуюся несправедливость в обучающем наборе или алгоритмах. Это позволило бы нам сделать вывод о третьем и наиболее серьезном уклоне, который приводит к дискриминации по запрещенным правовым основаниям.

    Кришна Гуммади, руководитель исследовательской группы по сетевым системам в Институте программных систем Макса Планка, много работал над уменьшением дискриминационного смещения в классификаторах, и его исследования в этой области касаются дискриминации с вычислительной точки зрения и развивают алгоритмические методы для минимизации Это.

    Поскольку системы машинного обучения становятся все более распространенными в автоматизированном процессе принятия решений, крайне важно, чтобы мы сделали эти системы чувствительными к типу систематической ошибки, которая приводит к дискриминации, особенно дискриминации по незаконным мотивам. Машинное обучение уже используется для принятия или содействия принятию решений в следующих областях: Рекрутинг (отбор кандидатов на работу), Банковское дело (Кредитные рейтинги / Утверждение кредита), Судебная система (Оценка риска рецидивизма), Благосостояние (Право на получение пособия по социальному обеспечению), Журналистика (Рекомендатель новостей Системы) и т. Д.Учитывая масштабы и влияние этих отраслей, крайне важно, чтобы мы приняли меры по предотвращению несправедливой дискриминации в них с помощью как правовых, так и технических средств.

    Для того, чтобы проиллюстрировать свои методы, Кришно Gummadi сфокусировано на спорном инструменте прогнозирования рецидиве называется КОМПАСОМ, разработанный Northpointe Inc, выход которого используется по всей территории Соединенных Штатов судей в досудебном и вынесении приговора. Алгоритм основан на ответах на анкету из 137 предметов, в которой представлены вопросы об их семейной истории, жилом районе, школьной успеваемости и т. Д.прогнозировать их риск совершения преступлений в будущем.

    Результат алгоритма использовался судьями для определения длины и типа предложения при рассмотрении отношения ввода-вывода как черного ящика. В то время как некоторые исследования показали, что COMPAS (профилирование управления исправительными правонарушениями для альтернативных санкций) не лучше предсказывает риск рецидивизма, чем случайно набираемые интернет-незнакомцы, другие исследования больше фокусировались на тестировании алгоритмов лечения различных значимых социальных групп.

    Рисунок 2: Исследование, проведенное Propublica, которое обнаруживает дискриминацию по скорости, с которой алгоритм неправильно классифицирует защитников, не имеющих реффендинга, с разными показателями для черных и белых.

    Исследование, проведенное ProPublica (Джефф Ларсон, 2016), показало, что алгоритм был в два раза вероятнее обозначить чернокожих защитников как группу высокого риска, которая в конечном итоге не рецидивировала по сравнению с белыми защитниками. Это дается ложным положительным показателем (процент FP) черных обвиняемых, который составляет 44,85 (то есть 44,85 процента черных обвиняемых, классифицированных как рецидив, не повторно совершали преступления) по сравнению с 23.45 для белых подсудимых. Тем не менее, Northpointe пришла с опровержением того, что в соответствии с мерами, которые они использовали, у черных и белых защитников был одинаковый уровень ошибочной классификации.

    Рисунок 3: Опровержение Northpointe о том, что их оценка по 10-балльной шкале правильно классифицировала черных или белых с одинаковыми показателями.

    Оказывается, что обе стороны правы, и это потому, что они используют разные меры для справедливости. И не существует алгоритма, который мог бы одинаково хорошо работать по обоим показателям справедливости, если базовые показатели рецидивизма различаются для черных и белых.Обе эти меры справедливости представляют собой неотъемлемые компромиссы.

    Мы должны уметь понимать компромиссы этих мер справедливости, чтобы принимать обоснованные решения относительно их дискриминационной способности. Вот почему нам нужна вычислительная перспектива. Итак, давайте сначала поймем, что представляет собой дискриминация с этой точки зрения.

    Используемое нормативное определение:

    неправомерно налагает относительный недостаток на лиц на основании их членство в примерно существенной социальной группе ,г., раса или пол

    Как нам реализовать это определение и реализовать его в алгоритме? Вышеприведенное выражение содержит несколько нечетких понятий, которые требуют формализации, «относительного невыгодности», «неправомерного навязывания», «заметной социальной группы» и т. Д. Если мы сосредоточимся только на компоненте «относительного недостатка», мы восстановим первый тип дискриминации, который может происходят в алгоритме, что Отдельное лечение.

    Рисунок 4: Пример проблемы бинарной классификации, когда алгоритм узнает, будет ли погашен заем, на основе признаков m + 1, из которых z является чувствительным признаком

    Кришна использовал вышеупомянутую проблему бинарной классификации, чтобы лучше понять различные типы дискриминации ,Проблема состоит в том, чтобы предсказать, будет ли погашен заем, основываясь на функциях m + 1, из которых одна особенность является чувствительной, например, раса клиента.

    Отдельная обработка:

    Этот тип относительной дискриминации можно обнаружить, если прогнозируемый результат пользователя изменяется при изменении чувствительной функции. В приведенном выше примере это будет означать алгоритм, прогнозирующий положительную метку для возврата займа для белого человека и отрицательную для черного человека, даже если все остальные функции точно такие же.Чтобы предотвратить какую-либо зависимость от расы, нам нужно удалить чувствительные элементы из набора данных

    . Мы можем формализовать это следующим образом:

    , т. Е. Вероятность P выхода не должна зависеть от выходных значений

    или изменить их:

    Этот тип относительной дискриминации может быть обнаружен, если есть разница в доле положительных (отрицательных) результатов для разных чувствительных групп. В вышеупомянутом случае это произошло бы, если бы больший процент чернокожих был классифицирован как неплательщики по сравнению с белыми людьми

    Мы формализуем это требование следующим образом:

    , т. Е. Вероятность положительной метки (возврата кредитов) для z = 1 (белые клиенты) равна вероятности положительной метки для z = 0 (черные клиенты).

    Отдельное воздействие измеряет уровень косвенной дискриминации по отношению к группе и часто наблюдается и при принятии решений человеком. Даже если мы удалим разрозненную обработку, удалив чувствительную функцию, дискриминация все же может произойти с помощью других связанных функций, таких как почтовый индекс.Измерение и исправление несопоставимого воздействия гарантирует, что это исправлено. Это требование следует использовать, когда набор данных для обучения смещен. В то время рассматривается противоречивая мера многими, в частности, теми критиками, которые держат, что некоторые сценарии не могут быть освобождены от несоразмерных результатов.

    Отдельное плохое обращение:

    Этот тип относительной дискриминации обнаруживается, когда мы измеряем разницу в доле точных результатов для разных чувствительных групп.Это тот тип дискриминации, который был обнаружен Propublica в алгоритме Northpointe, который неправильно классифицировал ни в чем не повинных чернокожих защитников как рецидив в два раза чаще, чем белых людей. Мы можем исправить это плохое обращение, требуя одинаковых пропорций точных результатов для всех чувствительных групп.

    Мы формализуем это требование следующим образом:

    Где z = 0,1 представляют различные чувствительные группы.

    Прежде чем формализовать механизмы для исправления дискриминации в алгоритмах, мы должны принять во внимание тот факт, что алгоритмы не являются беспристрастными, как это происходит в нарративе.Алгоритмы объективны по сравнению с людьми, но это не делает их справедливыми, а делает их объективно дискриминационными. Задача алгоритма — оптимизировать функцию стоимости, чтобы достичь наилучшего приближения фактической функции, которая генерирует результат, который мы хотим предсказать. Если лучшая функция — это функция, которая классифицирует всех членов группы, находящейся в невыгодном положении, как повторное правонарушение или неспособность выплатить кредит, это то, что алгоритм выберет. Следовательно, объективные решения могут быть несправедливыми и дискриминационными.

    Проще говоря, алгоритмы изучают модель для вывода, аппроксимируя функцию, которая принимает функции в качестве входных данных и аппроксимирует выходные данные. Он определяет лучшие параметры для этой функции, основываясь на том, какие из них сводят к минимуму разницу между выходами функции и фактическими результатами. Это называется проблемой оптимизации. Мы можем добавить дополнительные ограничения к этой проблеме, требуя, чтобы аппроксимируемая функция также подчинялась одному или всем сформулированным выше требованиям, чтобы избежать дискриминации.То есть:

    , для которого требуется модель, аппроксимируется таким образом, чтобы показатели точности для всех чувствительных групп были одинаковыми. Однако добавление ограничений приводит к компромиссу, относительно справедливому алгоритму за счет некоторой точности. Кришна применил это ограничение к алгоритму прогнозирования рецидивизма, и ценой небольшой точности удалось получить алгоритм, который имеет подобный уровень ошибок для черно-белых обвиняемых. Он использовал ограничения на ложную положительную ставку (FPR), которая является вероятностью того, что невинный ответчик классифицирован как рецидивист, и ложной отрицательной ставкой (FNR), которая является вероятностью того, что будущий обвиняемый в повторном правонарушении классифицируется как невозобновляемый.Как мы видим на рисунке 8, разница в FPR и FNR черно-белых обвиняемых приближается к 0, поскольку ограничения ужесточаются с небольшой потерей точности (от ~ 66,7% до ~ 65,8%).

    Рисунок 5. Исправление отдельного плохого обращения для набора данных прогнозирования рецидивизма.

    Короче говоря, несмотря на опасения, что алгоритмы будут служить только для дальнейшего закрепления и распространения человеческих предубеждений, сообщество ИИ предпринимает значительные усилия, чтобы избежать и исправить дискриминационные отклонения в алгоритмах, а также сделать их более прозрачными.Кроме того, появление GDPR формализует и структурирует эти усилия, чтобы удостовериться, что отрасли получают стимул следовать передовой практике, когда речь идет о хранении и обработке огромного количества персональных данных граждан, и расставлять приоритеты справедливости за счет некоторой точности. В конечном счете, алгоритмические системы будут отражением общества, которое они пытаются моделировать и аппроксимировать, и потребуются активные усилия со стороны правительства и частного сектора, чтобы убедиться, что оно работает не только для того, чтобы укрепить и еще более усугубить неравенство, присущее наши структуры, но исправьте их, введя строгие меры и ограничения, которые оштрафуют его.Это позволяет нам представить общество, в котором процесс принятия решений может быть потенциально избавлен от субъективности человеческого предубеждения путем замены его объективными алгоритмическими решениями, который осознает свои предубеждения, если не полностью свободен от них.

    Ансаро. (2017, 12 октября). Получено с https://medium.com/ansaro-blog/interpreting-machine-learning-models-1234d735d6c9

    Fedden, L. (2017). Получено из Medium Inc .: https://medium.com/@LeonFedden/the-no-free-lunch-theorem-62ae2c3ed10c

    Хильдебрандт, M.(2019). Конфиденциальность как защита неисчислимого Я: от агностика к агонистическому машинному обучению. (стр. 19 (1)). Предстоящие теоретические исследования в области права.

    Джефф Ларсон, С. М. (2016, май). Получено из ProPublica: https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm

    Кевин Эйхолт, И. Э. (2018). Надежные атаки физического мира на визуальную классификацию с глубоким обучением. CVPR. ,

    ,

    , Langer, E.B. (1978). Бессмысленность якобы вдумчивого действия: роль «плацебической» информации в межличностном взаимодействии. Журнал личности и социальной психологии, 36 (6) , 635–642.

    Macready, D.H. (1997). Нет бесплатных теорем об обеде для оптимизации. IEEE СДЕЛКИ НА ЭВОЛЮЦИОННЫХ ВЫЧИСЛЕНИЯХ, Том 1 , №1.

    Marco Tulio Ribeiro, S.S. (2016). «Почему я должен вам доверять?»: Объяснение предсказаний любого классификатора. Материалы 22-й Международной конференции ACM SIGKDD по обнаружению знаний и добыче данных (стр. 1135–1144). ACM.

    MIT Новости.(2018 г., 11 февраля). Получено с http://news.mit.edu/2018/study-finds-gender-skin-type-bias-artificial-intelligence-systems-0212

    Открытый блог AI. (2017, 24 февраля). Получено с https://blog.openai.com/adversarial-example-research/

    Rich Caruana et al. (Н.о.). ‘Интеллектуальные модели для HealthCare: прогнозирование риска развития пневмонии и госпитализация в течение 30 дней. Материалы 21-й Международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных , (стр. 1721–1730).Нью-Йорк, США.

    Wired Inc. (2018, 29 марта). Как кодеры борются с предвзятостью в программном обеспечении распознавания лиц . Получено с https://www.wired.com/story/how-coders-are-fighting-bias-in-facial-recognition-software/

    .

    определений в кембриджском словаре английского языка

    Смещен | определение в кембриджском словаре английского языка


    Тезаурус: синонимы и родственные слова
    ,

    Отправить ответ

    avatar
      Подписаться  
    Уведомление о