Algoritmalar, tarihsel belgeler, nüfus kayıtları, gazete koleksiyonları ve sözlü tarihlerin anlaşılmasını engelleyen varsayımlarla, ölçek ve nesnellik vaatleri, ancak tarafsızlık vaatleri insanlar tarafından tasarlanabilir ve geçmişten gelen verileri ortadan kaldırabilecek varsayımlarla gömülür.

Algoritma Bias Nedir?

Algoritma önyargısı, algoritmaların sınıflandırması veya kaynaklarından nasıl anlam kazanabildiği konusunda sistematik ve tekrarlanabilir hatalar ifade eder, örneğin 19. yüzyıl gazetesinde, belirli cinsiyetlerle belirli meslekleri sadece yeniden ilişkilendirmeyi öğrenebilir, çünkü bu kayıtlar zamanın önyargılarını yansıtıyor.

Bias birden çok noktada girebiliyor: Eğitim verilerinin seçiminde, algoritmanın tasarımında, verilerin etiketlenmesi ve hatta sonuçların yorumlanmasında bile. bu giriş noktaları daha adil dijital tarih araçlarına yönelik ilk adımdır.

Algoritma Bias'ın Tarihsel Kökleri

Algoritma önyargı kavramı yeni değildir. Sosyal bilimlerde kullanılan ilk istatistik modelleri genellikle ırk, cinsiyet ve sınıf hakkında kusurlu varsayımlar üzerine inşa edilmiştir. Örneğin, 1970'lerin kredi azaltım algoritmaları sistematik olarak kadınlara ve azınlıklara karşı ayrımcı değildir, çünkü eğitim verileri toplumsal eşitsizlikleri yansıtmıştır.

Bias'ın Tarihsel Verilerinde Kaynağı

Tarihsel veriler doğal olarak eksik ve eşitsizdir. algoritmaların herhangi bir kod yazılmamıştan uzun süre önce sık sık sık sık çıkarılmasını sağlar. Dört önemli kaynak yakın incelemeyi hak eder:

1. Tamamlanmamış Records

Archival hayatta kalma rastgele değildir. Savaşlar, yangınlar, kasıtlı yıkımlar ve basit ihmal, insan deneyiminin büyük kudgunlarını silindi.[Dönetici, okuryazarlık, ya da güçlü gruplar marjinalleştirilmiş topluluklardan daha büyük olasılıkla hayatta kalabilirler. Algoritmalar bu tür bir parçalanmış bir fiziksela doğal olarak başkalarının aşağısını temsil edecek ve aşağıdan aşağıya doğru gelirler.

2. Kültür Perspektifleri ve Kolonal Bias

Birçok tarihsel arşivler sömürge yönetimi, misyoner toplumlar veya yerli kültürleri kendi kültürel lensleri aracılığıyla kaydettiren erken antropologlar tarafından yaratıldılar.Bu metinlerin analiz edilmesinde, Batı terimleri, kategoriler ve anlatılar önceliklendirmeyi öğrenebilirler. Örneğin, bir algoritma, sömürge raporlarının toplanmasında “önemli olayları” tespit ederek, aynı dilde nadiren resmi devlet işleri olarak tanımlanabildiler.

3. Digitization Bias

Fiziksel belgeleri dijital formatlara dönüştürme süreci kendi bozulmalarını öğretir. Hangi koleksiyonlar sayısallaştırma için finanse edilebilir?Bu sayfalar açıkça taranır?[Dönetici alanları doldu?) Dijital arşivler genellikle iyi korunmuş ve kolayca kategorize edilmiş materyallerdir. El yazısı marjinal, hasarlı sayfalar veya standart olmayan senaryolar dışlanmış veya yanlış sayısallaştırılmış olabilir.

4. Etiketleme ve Eğitim Data Bias

Süperviz makine öğrenimi insan-yaşlı örnekler gerektirir. İnsanlar etiketlemeyi yapıyorsa, kendi varsayımlarını ortaya koyarlar.Eğer modern normları yansıtan tarihsel fotoğraflar, var olan önyargıları mı yanmış olabilirler, tarihsel cinsiyet çeşitliliği görmezden gelebilirler. Benzer şekilde, metin analizi için eğitim verileri öncelikle ana gazetelerden çizilirse, algoritma kötü bir şekilde alternatif basın veya topluluk haber bülteni üzerinde performans sergileyecek. ”

Bias'ın Tarihsel Yorumlama Üzerine Etkileri

Tarihi araştırmadaki algoritmak önyargının sonuçları derin ve sık görünmezdir. Biased çıktılar geçmişte yanlış ifadeler sunabilecek, yanlış şekilde stereotipleri güçlendirecek ve kamu hafızasını zararlı şekillerde şekillendirebilirler.

Quantitative History

Cliometriler - tarih için sayısal yöntemlerin uygulanması - uzun zamandır istatistik modellerine dayanıyordu. Bu modelleri yerine getiren veya bu önyargıların çok fazla değerlemesi riski, bir gemi veritabanı üzerinde eğitilmiş bir algoritma, Avrupa denizcilerinin Afrikalı esirlerden daha değerli olduğunu ortaya koyuyordu çünkü eğitim verileri sömürge muhasebe uygulamalarına göre organize edildi.

Azınlık Perspektiflerinin Marginalizasyonu

Bias tüm toplulukları susturabilir. Tarihi bir korpusta “önemli bireyler” tanımlamakla görevli bir algoritma, orijinal arşivlerin genellikle beyaz, erkek ve zenginleşmiş oldukları aynı marjinalleştirmeyi açıkça tasarlayamaz.

Sunulan Gün Stereotiplerinin Donması

Yüzyıllarca tarihsel analiz politika, eğitim veya halk söylemlerini bilgilendirmek için kullanılırsa, bu istatistikleri takip eden sosyal ve ekonomik bağlamlar için bir algoritma analiz eder.

Bias'ın Uygulama Örnekleri

Gerçek dünya vakaları algoritmak önyargının tarihsel yorumu nasıl etkilediğini göstermektedir. Bu örnekler konunun varsayımsal olmadığını gösteriyor ancak zaten burs şekillendiriyor.

Text Analizinde Toplumsal Cinsiyet Bias

Virginia Üniversitesi'ndeki araştırmacılar, on binlerce 19. yüzyıl kitaplarını analiz etmek için doğal dil işleme kullandı. Modern veriler üzerinde eğitim gören algoritmaların sürekli olarak cinsiyete dayalı rollere sahip olduğu tarihsel olarak yanlış anlamaları gerektiğini buldular. Örneğin, erkek hemşireler ve kadın doktorlar genellikle yanlış sınıflanmışlardı.

Racial Bias Otomatik Transcriptions

Optik karakter tanıma (OCR) yaygın olarak, tarama tarihi belgelerini makineye hazır hale getirmek için kullanılır. Araştırmalar, OCR doğruluklarının siyah topluluklarda baskılanan gazeteler için önemli ölçüde daha düşük olduğunu göstermiştir, çünkü araştırmacılar ağır kıyafetlerle belgeler için ve belgeler için, “yaplı boşluklar”ı güçlendirdiğinde, marjinalleştirilmiş gruplardan sistematik olarak dışlanmış materyaller hariç.

Kolonal Bias in Geographic Data

Tarihsel coğrafi bilgi sistemleri (GIS) genellikle sömürge güçleriyle yaratılan sayısal haritalara güveniyor. Bu haritalar yerli yer isimlerini, sınırları ve arazi kullanım koşullarını sildikçe, yerli arazi sistemlerini ve tür haritalardan gelen kolonları analiz ettiğinde, örneğin, İngiliz Hindistan'daki arazi sahipliğinin bir çalışması mülk transferlerini takip etmek için kullanılan algoritmalar.

Algoritma Bias

Tarihsel araştırmadaki algoritmak önyargıya erişmek, teknoloji uzmanları, tarihçiler, arkeologlar ve topluluklar arasında işbirliği gerektirir, ancak birkaç strateji zarar ve doğruluk artışı azaltabilir.

Farklı ve Say Data Collection

Araştırmacılar, yalnızca büyük, iyi finanse edilen dijital koleksiyonlarına güvenmek yerine, topluluk arşivleri ile ortak olmalıdırlar, oral tarih projeleri ve çimrootları sayısallaştırma girişimleri.Bilinçli önyargılar, boşluklar ve kısıtlamalar dahil - her veri kümesine eşlik etmelidir.

Algoritma Denetimi ve Geçerlilik

Düzenli denetimler, insan tarihçilerle birlikte önyargıları yakalayabilirler. Örneğin, domain uzmanlarının farklı zaman zaman zaman, bölgeler ve sosyal gruplardan gelen materyaller hakkında rastgele bir örnek incelemesine izin verilen bir algoritma gerekli olabilir. Örneğin, mektuplarda temaları tanımlamak için eğitilmiş bir algoritma, veri kümesini incelemektedir.

Disiplinlerarası Takımlar

Bilgisayar bilim adamlarının tarihçilerle bir araya getiren projeler, sosyologlar ve kültürel eleştirmenler, dışlayıcıların sahip oldukları deneyimleri ve tarihsel hafızayı tanıma olasılığı daha yüksektir.

Teknik Countermeasures

Birkaç teknik yaklaşım yardımcı olabilir: [[Üyetim:0)data augmentasyon[Döneticileri temsil eden kategorilere göre, [[Üye Olmayanlar:2)Dönderliksel olmayanlar için[Döneticileri ortadan kaldırmak için[Dönemli modeller ve [[Döneticiler)[Dönemli modeller[Dönemli kategorilerde kararın neden yapıldığını görmelerine izin verir. Ancak, teknik düzeltmeler tek başına yeterli değildir.

Educators için en iyi uygulamalar

Educators, bir sonraki tarihçilerin ve vatandaşların algoritma araçlarıyla eleştirel bir şekilde hazırlanmak için hayati bir role sahiptir. Aşağıdaki uygulamalar tarih curricula'ya önyargı bilincini entegre edebilir.

Algoritma Literacy Erken Erken Erken Erken

Öğrenciler algoritmaların gerçeklerden objektif arbiters olmadığını anlamalıdır. Basit sınıf alıştırmaları yoluyla önyargı kavramını tanıtmalıdır. Örneğin, öğrencilerin arama sonuçlarını dijital bir arşivde “kadın mucit” için karşılaştırmalarını isteyin. Sonuçlar neden algoritmanın yapılabileceğini ve hangi varsayımları tartışın.

Encourage critical Source Evaluation

Tarihçiler zaten öğrencilerin birincil kaynakları sorgulamayı öğretir: Bu belgeyi kim yarattı? Hangi amaçla? Bu kritik değerlendirmeler algoritmalı çıktılara aktarılan becerileri genişletir. Dijital bir araç “key rakam” veya “trend” önerirken, öğrencilerin bu sonuca nasıl eğitildiğini takip etmesini ister.

Farklılık ve Counter-Narrative Sources

Örneğin, hakim anlatıları açıkça meydan okumalar ve veri setleri olarak, çift standart bir sayım raporu, her veri kümesinin sınırlı bir bakış açısına sahip olduğunu kabul eder.

Dijital Araçların Etik Kullanımı

Educators sınıfdaki dijital analizleri kullanırken, araçların sınırlamalarını kabul etmeli ve öğrencilerin kendi araştırma süreçlerinde potansiyel önyargıları belgelemelerini gerektiren görevleri tartışmalıdır. Otomatik çıktıları sorgulamaları ve dijital araçların doğrulanması sadece zararlardan kaçınmaları için değil - daha dürüst bir burs üretmekle ilgilidir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Tarihsel yorumlamadaki algoritmalar soyut bir problem değildir. Tarihi farkındalık ve topluluk katılımı ile, mevcut işlemleri nasıl daha kapsayıcı, doğru ve sadece sayısallaştırma boşluklarından elde ettiğimiz gibi, bu nedenle, risklerin gerçekleştirilmesiyle ilgili bir somut meydan okumadır.

Educators, arkeologlar ve teknoloji uzmanları, bizi tarihin dar versiyonlarına kilitleyemeyeceğimizi sağlamak için birlikte çalışmalıdır. eleştirel incelemeler, çeşitli veriler ve şeffaf uygulamalar adil tarihsel bursların temelleridir.

[FONT=0]Further okuma:[Dönetici önyargı ve tarihsel veriler, Safiya Umoja Noble'nin [Döneticileri: 2]Algorithm[Dönderlik[Döneticileri)[Döneticileri, Dijital İnsanlıkta Tartışmalar[Döneticileri Göremezler.