La IA favorece a los hombres blancos menores de 40 años

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on whatsapp
Share on telegram
Share on email

Investigadores estudian los modelos lingüísticos utilizados por la IA y descubren que favorece a algunos grupos demográficos respecto a otros.

«Inserte la palabra que falta: Cerré la puerta de mi ____». Es un ejercicio que muchos recuerdan de su época escolar. Mientras que algunos grupos sociales pueden rellenar el espacio con la palabra «casa de vacaciones», otros pueden ser más propensos a insertar «dormitorio» o «garaje». En gran medida, nuestra elección de palabras depende de nuestra edad, del lugar del país del que procedemos y de nuestro entorno social y cultural.

Sin embargo, los modelos lingüísticos que ponemos en práctica en nuestra vida diaria al utilizar los motores de búsqueda, la traducción automática, al interactuar con los chatbots y al dar órdenes a Siri, hablan el idioma de algunos grupos mejor que el de otros. Así lo ha demostrado un estudio del Departamento de Informática de la Universidad de Copenhague, que ha estudiado por primera vez si los modelos lingüísticos favorecen las preferencias lingüísticas de algunos grupos demográficos en detrimento de otros, lo que en la jerga se denomina sesgos sociolectales. ¿La respuesta? Sí.

«En todos los modelos lingüísticos, podemos observar un sesgo sistemático. Mientras que los hombres blancos de menos de 40 años y con menor nivel educativo son el grupo con el que mejor se alinean los modelos lingüísticos, la peor alineación es con el lenguaje utilizado por los hombres jóvenes no blancos», afirma Anders Søgaard, profesor del Departamento de Informática de la UCPH y autor principal del estudio.

Predicciones peores para personas de color

El análisis demuestra que hasta una de cada diez predicciones de los modelos son significativamente peores para los hombres jóvenes no blancos en comparación con los hombres jóvenes blancos. Para Søgaard, esto es suficiente para plantear un problema: «Cualquier diferencia es problemática porque las diferencias se cuelan en una amplia gama de tecnologías. Los modelos lingüísticos se utilizan para fines importantes en nuestra vida cotidiana, como la búsqueda de información en línea. Cuando la disponibilidad de la información depende de cómo se formula y de si su lenguaje se alinea con aquel para el que se han entrenado los modelos, significa que la información disponible para otros, puede no estar disponible para usted».

El profesor Søgaard añade que incluso un ligero sesgo en los modelos puede tener consecuencias más graves en contextos en los que la precisión es clave: «Podría ser en el sector de los seguros, donde los modelos lingüísticos se utilizan para agrupar casos y realizar evaluaciones de riesgo de los clientes. También podría ser en contextos legales, como en el trabajo de casos públicos, donde los modelos se utilizan a veces para encontrar casos similares en lugar de precedentes. En estas circunstancias, una pequeña diferencia puede resultar decisiva», afirma.

La mayoría de los datos proceden de las redes sociales

Los modelos lingüísticos se entrenan introduciendo enormes cantidades de texto para enseñar a los modelos la probabilidad de que las palabras aparezcan en contextos específicos. Al igual que en el ejercicio escolar anterior, los modelos deben predecir las palabras que faltan en una secuencia. Los textos proceden de lo que está disponible en Internet, la mayoría de los cuales se han descargado de las redes sociales y de Wikipedia.

«Sin embargo, los datos disponibles en la web no son necesariamente representativos de nosotros como usuarios de tecnología. Wikipedia es un buen ejemplo en el sentido de que su contenido está escrito principalmente por hombres blancos jóvenes. Esto es importante con respecto al tipo de lenguaje que aprenden los modelos«, dice Søgaard.

Los investigadores siguen sin saber por qué las características sociolectales de los jóvenes blancos son las que mejor representan los modelos lingüísticos. Pero tienen una suposición fundamentada: «Está relacionado con el hecho de que los jóvenes blancos son el grupo que más ha contribuido a los datos con los que se entrenan los modelos. La mayor parte de los datos proceden de las redes sociales. Además, sabemos por otros estudios que es este grupo demográfico el que más contribuye a escribir en este tipo de foros públicos y abiertos», explica Anders Søgaard.

El problema parece crecer junto con los avances digitales, explica el profesor Søgaard: «A medida que los ordenadores se vuelven más eficientes, con más datos disponibles, los modelos lingüísticos tienden a crecer y se entrenan con más y más datos. En el caso del tipo de lenguaje más utilizado actualmente, parece -sin que sepamos por qué- que cuanto más grandes son los modelos, más sesgos tienen. Así que, a menos que se haga algo, la brecha entre ciertos grupos sociales se ampliará».

Afortunadamente, se puede hacer algo para corregir el problema: «Si queremos superar la distorsión, no basta con alimentar las máquinas con más datos. En cambio, una solución obvia es entrenar mejor los modelos. Esto puede hacerse cambiando los algoritmos para que, en lugar de tratar todos los datos como si fueran igual de importantes, sean especialmente cuidadosos con los datos que surgen de una media poblacional más equilibrada», concluye Anders Søgaard.

El artículo de investigación «Sociolectal Analysis of Pretrained Language Models» (Análisis sociolectal de modelos lingüísticos preformados) se incluyó en la Conferencia sobre Métodos Empíricos en el Procesamiento del Lenguaje Natural (EMNLP) 2021.

 

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on whatsapp
Share on telegram
Share on email

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

TE PUEDE GUSTAR

EVENTOS

RECIBE LA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Ir arriba