ترغب بنشر مسار تعليمي؟ اضغط هنا

هو "جيد بما فيه الكفاية" جيدة بما فيه الكفاية؟التطوير الأخلاقي والمسؤول لتقنيات لغة الإشارة

Is ``good enough'' good enough? Ethical and responsible development of sign language technologies

105   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تحدد هذه الورقة بعض المزالق الشائعة والمحددة في تطوير تكنولوجيات تسجيل اللغات المستهدفة في المجتمعات الصم، مع التركيز المحدد على توقيع الصور الرمزية. إنه يجعل الدعوة إلى استجواب بعض الأيديولوجيات المليسة على وجه السرعة وراء تلك التقنيات، بما في ذلك قضايا التنمية الأخلاقية والمسؤولة. تعالج الورقة أربع مشكلات منفصلة ومترابطة: أيديولوجيات حول الأشخاص الصم والاتصالات بوساطة، التحيز في مجموعات البيانات والتعلم، ملاحظات المستخدمين، وتطبيقات التقنيات. تنتهي الورقة مع العديد من النقاط على حد سواء مطوري التكنولوجيا والمنظمات غير الحكومية الصم. يجب أن يقدم مطورو التكنولوجيا المزيد من الاعتبار لتنويع فريقهم وعمل متعدد التخصصات، ويكونوا في اعتبارهم التحيزات التي يزحف حتما في مجموعات البيانات. يجب أن يكون هناك أيضا اعتبار للمستخدمين النهائيين في التقنيات. ليس الفقراء لغة الإشارة ليسوا المستخدمين النهائيين ولا يجب أن ينظر إليهم كمعيار لاستخدام اللغة. يمكن للمطورين التكنولوجيين والمنظمات غير الحكومية الصماء الانخراط في حوار حول كيفية إعطاء الأولوية لنطاقات التطبيق وتحديد الأولويات داخل مجالات التطبيق. أخيرا، ستحتاج تصريحات سياسة المنظمات غير الحكومية الصم إلى إلقاء نظرة أطول واستخدام الصور الرمزية للتفكير في نظام أفضل بكثير مقارنة بخدمات تفسير لغة الإشارة التي يمكن أن توفرها.

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

تسأل هذه الورقة عما إذا كانت استقراء توزيع الفضاء المخفي لأمثلة النصية من فئة واحدة إلى أخرى هي تحيز حثي صالح لتعزيز البيانات.لتفعيل هذا السؤال، أقترح بروتوكول تكبير بيانات بسيط يسمى استقراء مثال جيد بما فيه الكفاية "(GE3).GE3 خفيف الوزن وليس له فرطي ات.تطبق على ثلاث مجموعات بيانات تصنيف النص لمختلف سيناريوهات عدم توازن البيانات، تعمل GE3 على تحسين الأداء أكثر من عمليات التصميم وغيرها من طرق تكبير بيانات الفضاء المخفية.
تصف هذه الورقة النهج الذي تم تطويره لمهمة Semeval 2021 7 (Hahackathon: دمج العوامل الديموغرافية في مهام فكاهة مشتركة) من قبل فريق Duth.استخدمنا ومقارننا مجموعة متنوعة من تقنيات المعالجة المسبقة، وأساليب Vectorization، وعديد من خوارزميات التعلم الآلات التقليدية، من أجل بناء نماذج التصنيف والانحدار للمهام المعينة.استخدمنا التصويت الأغلبية للجمع بين مخرجات النماذج مع الشبكات العصبية الصغيرة (NN) لمهام التصنيف ومتوسطها لانحدارها لتحسين أداء نظامنا.في حين أثبتت هذه الطرق أضعف من نماذج التعلم الحديثة والعميقة، فإنها لا تزال ذات صلة في مهام البحث بسبب انخفاض احتياطيها على السلطة الحاسوبية والتدريب الأسرع.
يتم تدريب معظم أنظمة الترجمة الآلية المتزامنة (SIMT) وتقييمها في Offline Translation Corpora.نحن نقول أن أنظمة SIMT يجب تدريبها واختبارها على بيانات التفسير الحقيقي.لتوضيح هذه الحجة، نقترح مجموعة اختبار التفسير وإجراء تقييم واقعي ل Simt المدربة على ا لترجمات دون اتصال.نتائجنا، في الاختبار المحدد لدينا مع 3 أزواج لغة صغيرة الحجم الحالية، تسليط الضوء على الفرق من النتيجة حتى 13.83 بلو عند تقييم نماذج Simt على بيانات الترجمة الشفوية للترجمة.في غياب بيانات التدريب على الترجمة الشفوية، نقترح طريقة نقل نمط الترجمة إلى الترجمة إلى الترجمة (T2I) التي تسمح بتحويل الترجمات غير المتصلة حاليا إلى بيانات نمط الترجمة الشفوية، مما يؤدي إلى تحسن ما يصل إلى 2.8 بلو.ومع ذلك، لا تزال فجوة التقييم ملحوظة، ودعا إلى بناء تفسير واسع النطاق مناسبة بشكل أفضل لتقييم وتطوير أنظمة SIMT.
التواصل بين أخصائيي الرعاية الصحية والمرضى الصم يتحدىون، والوباء الحالي Covid-19 يجعل هذه المشكلة أكثر حادة.غالبا ما لا تدخل مفسر لغة الإشارة في كثير من الأحيان المستشفيات وأقنائك الوجهلمعالجة هذه المشكلة العاجلة، قمنا بتطوير نظام يسمح بمهنيي الرعاية الصحية بترجمة الجمل التي يتم استخدامها بشكل متكرر في تشخيص وعلاج CovID-19 في لغة هولندا (NGT).يتم عرض الترجمات عن طريق مقاطع الفيديو والرسوم المتحركة الرمزية.بنية النظام هي بحيث يمكن تمديدها إلى تطبيقات أخرى ولغات تسجيل أخرى بطريقة واضحة نسبيا.
غالبا ما يتحلل ترجمة لغة الإشارة (SLT) في التعرف على الفيديو إلى اللمعان والترجمة النصية إلى النص، حيث يكون اللمعان سلسلة من الكلمات اللغوية الموضحة باللغة المنطوقة بالترتيب الذي يتم فيه توقيعه.نحن نركز هنا على الترجمة اللامع إلى النص، والتي نعلمها ك مشكلة ترجمة آلية منخفضة الموارد (NMT).ومع ذلك، على عكس المورد المنخفض التقليدي NMT، تختلف الترجمة من اللمعان إلى النص لأن أزواج النص اللامع في كثير من الأحيان تحتوي على تداخل معجمي أعلى وانخفاض التداخل النحوي أقل من أزواج اللغات المنطوقة.نستفصل هذا التداخل المعجمي والتعامل مع الاختلاف النحوي عن طريق اقتراح اثنين من الاستدلال المستندة إلى القواعد التي تولد أزواج نصية متوازية من النصوص الزائفة من نص اللغة المنطوقة غير المنطوقة.من خلال التدريب المسبق على هذه البيانات الاصطناعية، نحسن الترجمة من لغة الإشارة الأمريكية (ASL) إلى لغة الإشارة الإنجليزية والألمانية إلى الألمانية بنسبة تصل إلى 3.14 و 2.20 بلو، على التوالي.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا