Corrige en un lenguaje formal para un artículo científico el siguiente texto. Mejora la…
- User
Corrige en un lenguaje formal para un artículo científico el siguiente texto. Mejora la fluidez, la coherencía y la concordancia del texto. El texto es el siguiente: “En \cite{ozmen2023six} se argumenta que la adopción generalizada de la IA tiene consecuencias negativas no deseadas, como la perpetuación de las desigualdades sociales. Por ello, propone seis grandes desafíos para la comunidad científica para que desarrolle una IA centrada en el ser humano, ética, justa y que mejore la condición humana. En su trabajo, Shneiderman \cite{shneiderman2020human} propuso una definición de la Inteligencia Artificial Centrada en el Humano (HCAI) que ha sido ampliamente aceptada. Esta definición se enfoca en mejorar el rendimiento humano de tal manera que los sistemas sean confiables, seguros y dignos de confianza. Vassilakopoulou y Pappas \cite{vassilakopoulou2022ai}, en su estudio sobre las transferencias entre Chatbots y agentes humanos, definen la HCAI como la disciplina emergente para sistemas habilitados por IA que amplifican y aumentan las habilidades humanas al tiempo que preservan el control humano y garantizan un diseño éticamente alineado. Estos sistemas también respaldan la autoeficacia humana, promueven la creatividad, clarifican la responsabilidad y facilitan la participación de todos los entes sociales. Aunque en el contexto de la HCAI, los usuarios se enfrentan a varios desafíos. Estos incluyen la comprensión de cómo funcionan los sistemas (explicabilidad \cite{dwivedi2023explainable}, la interpretación de los resultados generados (interpretabilidad \cite{ali2023explainable, rudin2019stop}, la protección de su información personal (privacidad y seguridad \cite{yuan2019adversarial}), la confianza en la precisión y consistencia de los sistemas (fiabilidad \cite{afshari2022machine}) y la garantía de un trato justo e imparcial por parte de los sistemas (equidad \cite{caton2024fairness}). En Costabile et al. \cite{costabile2022human} se desarrollan una nueva clase de herramientas para la exploración interactiva que puedan amplificar, aumentar y mejorar el rendimiento humano. Nagitta et al. \cite{nagitta2022human} examinan el papel de la adquisición pública y los profesionales de adquisiciones en relación con los principios de HCAI, destacando la importancia de la HCAI para el beneficio y la seguridad del público. En el artículo de Barale \cite{barale2022human}, Claire Barale presenta un enfoque de computación centrada en el humano aplicado al Procesamiento de Lenguaje Natural en el dominio legal, específicamente para la determinación del estatus de refugiado. Su propuesta consiste en un sistema de apoyo al razonamiento ético que integra la inteligencia humana y artificial, dirigido a tomadores de decisiones en el ámbito del derecho de refugiados. El objetivo es facilitar el diseño de aplicaciones más éticas y efectivas en este campo. Los Modelos de Lenguaje de Gran Alcance (LLMs) han alcanzado un notable triunfo en múltiples disciplinas, evidenciando su versatilidad en aplicaciones en contextos reales. Esto subraya su adaptabilidad y capacidad para optimizar las tareas vinculadas con el lenguaje, transformándolos en instrumentos esenciales en variados sectores e instancias. No obstante, la mayoría de estos algoritmos omiten las consideraciones de equidad. Como resultado, pueden originar efectos discriminatorios hacia los grupos marginados \cite{chu2024fairness} La fusión de los Modelos de Lenguaje Extensos (LLMs) y los RGA ha desbloqueado nuevas oportunidades para la automatización de tareas intrincadas y la mejora de los sistemas de recuperación de información. No obstante, la utilización de estos modelos de propósito general en áreas especializadas conlleva desafíos singulares. Su uso en el ámbito social y en las acciones humanitarias dirigidas a personas vulnerables aún requiere una exploración más exhaustiva \cite{jeong2023study}. El potencial de los LLM y el RAG en el sector público y las organizaciones sin ánimo de lucro (ONGs), en especial en las personas desfavorecidos, es transcendental y poco explorado. A pesar de sus logros considerables, los LLM pueden enfrentar problemas de equidad derivados de sesgos heredados del mundo real e incluso pueden exacerbarlos} \cite{zhao2019gender. En \cite{shah2024comprehensive} se busca aportar al debate en curso sobre la mitigación del sesgo y la promoción de la equidad en los sistemas de inteligencia artificial. Se examinan los desafíos asociados con la identificación y corrección de sesgos, y se subraya la necesidad de adoptar un enfoque interseccional e inclusivo para abordar las disparidades de manera efectiva. Las capacidades de estos modelos de inteligencia artificial son difíciles de alinear con las necesidades, expectativas y valores reales de las personas desfavorecidas, lo cual sigue representando un gran desafío \cite{saxena2023rethinking}. El enfoque centrado en el ser humano en la inteligencia artificial (HCAI) es una dirección prometedora para diseñar sistemas que respalden la eficacia autónoma de las personas, fomenten la creatividad, aclaren la responsabilidad y faciliten la participación social. Estas aspiraciones también nos llevan a considerar la privacidad, la seguridad, la protección ambiental, la justicia social y los derechos humanos \cite{shneiderman2020human}. En el estudio de Nelson \cite{nelson2024designing} se abordan los desafíos asociados al empleo de Modelos de Lenguaje Grande (MLL) como asistentes para trabajadores sociales en la tarea de resumir los historiales de casos de personas sin hogar. El artículo propone direcciones futuras de investigación centradas en el desarrollo de técnicas de ingeniería de prompts, métricas de evaluación adecuadas y mecanismos de verificación para los resúmenes generados, con el objetivo de aprovechar plenamente el potencial de los MLL en este contexto.”
- Assistant
En el estudio realizado por Özmen \cite{ozmen2023six}, se discuten las consecuencias indeseadas de la adopción masiva de la Inteligencia Artificial (IA), como la perpetuación de desigualdades sociales. En respuesta, propone seis desafíos para la comunidad científica con el fin de desarrollar una IA centrada en el ser humano, ética y justa, que contribuya a mejorar la condición humana.
Shneiderman \cite{shneiderman2020human} ha propuesto una definición ampliamente aceptada para la Inteligencia Artificial Centrada en el Humano (HCAI), la cual enfatiza el mejoramiento del rendimiento humano asegurando que los sistemas sean confiables, seguros y merecedores de confianza. Paralelamente, Vassilakopoulou y Pappas \cite{vassilakopoulou2022ai} definen la HCAI como una disciplina emergente para sistemas habilitados por IA que no solo amplifican las capacidades humanas, sino que también preservan el control humano y garantizan un diseño ético. Estos sistemas fomentan la autoeficacia humana, la creatividad, la claridad en la responsabilidad y facilitan la inclusión social.
Sin embargo, los usuarios de HCAI enfrentan varios desafíos como la comprensión de los mecanismos internos de los sistemas (explicabilidad \cite{dwivedi2023explainable}), la interpretación de los resultados (interpretabilidad \cite{ali2023explainable, rudin2019stop}), la protección de información personal (privacidad y seguridad \cite{yuan2019adversarial}), la confianza en la precisión y consistencia de los sistemas (fiabilidad \cite{afshari2022machine}) y la garantía de un trato justo e imparcial de los sistemas (equidad \cite{caton2024fairness}).
Costabile et al. \cite{costabile2022human} exploran nuevas herramientas de interacción que refuerzan y mejoran el rendimiento humano. Nagitta et al. \cite{nagitta2022human}, examinan el papel de la adquisición pública y los profesionales de la misma en el marco de los principios de HCAI, resaltando su relevancia para la seguridad y el beneficio público.
Barale \cite{barale2022human} describe una aplicación de la computación centrada en el humano en el Procesamiento de Lenguaje Natural dentro del ámbito legal, específicamente para la determinación del estatus de refugiado, proponiendo sistemas que integren inteligencias humana y artificial para la toma de decisiones éticas en este campo.
Los Modelos de Lenguaje de Gran Alcance (LLM) han demostrado su eficacia en diversas disciplinas debido a su versatilidad en aplicaciones prácticas, aunque a menudo no consideran la equidad, pudiendo perpetuar discriminaciones contra grupos marginalizados \cite{chu2024fairness}.
La integración de LLM y redes neuronales generativas (RAG) presentan nuevas posibilidades para automatizar tareas complejas y mejorar sistemas de recuperación de información pero su implementación en dominios especializados plantea desafíos únicos, especialmente en contextos sociales y humanitarios \cite{jeong2023study}.
El uso de LLM y RAG en el sector público y organizaciones no gubernamentales ofrece oportunidades significativas, particularmente para las poblaciones desfavorecidas, aunque enfrenta problemas de equidad debido a sesgos preexistentes que pueden agravarse \cite{zhao2019gender}. Shah \cite{shah2024comprehensive} discute la mitigación de estos sesgos y promueve un enfoque interseccional para abordar eficazmente las disparidades.
Saxena \cite{saxena2023rethinking} destaca la dificultad en alinear las capacidades de estos modelos con las necesidades, expectativas y valores de las poblaciones desfavorecidas, resaltando la dirección prometedora del enfoque centrado en el ser humano (HCAI) para el diseño de sistemas que respalden la autonomía y la creatividad, clarifiquen responsabilidades y faciliten la participación social, considerando además la privacidad, seguridad, protección ambiental, justicia social y derechos humanos.
Nelson \cite{nelson2024designing} aborda los desafíos de usar Modelos de Lenguaje Grande (MLL) como asistentes de trabajadores sociales en la tarea de resumir historiales de casos de personas sin hogar, proponiendo futuras líneas de investigación que incluyan el desarrollo de técnicas de ingeniería de prompts, métricas de evaluación apropiadas y mecanismos de verificación para optimizar el uso de MLL en este contexto.
- User
Corregir en un ingles formal para un artículo científico el siguiente texto. Mejora la fluidez, la coherencía y la concordancia del texto. El texto es el siguiente: "However, HCAI users face challenges such as understanding how systems work (explainability \cite{dwivedi2023explainable}), interpreting results (interpretability \cite{ali2023explainable, rudin2019stop}), protecting personal information (privacy and security \cite{yuan2019adversarial}), trusting the accuracy of systems (reliability \cite{afshari2022machine}), and ensuring fair treatment (equity \cite{caton2024fairness})."
- Assistant
"Nevertheless, users of Human-Centered Artificial Intelligence (HCAI) encounter several challenges. These include comprehending the operational mechanisms of systems (explainability \cite{dwivedi2023explainable}), interpreting the outcomes they produce (interpretability \cite{ali2023explainable, rudin2019stop}), safeguarding personal data (privacy and security \cite{yuan2019adversarial}), relying on system accuracy (reliability \cite{afshari2022machine}), and securing equitable treatment by these systems (equity \cite{caton2024fairness})."
- User
Elimina en la redacción los '(' y ')'-
- Assistant
"Nevertheless, users of Human-Centered Artificial Intelligence HCAI encounter several challenges. These include comprehending the operational mechanisms of systems explainability \cite{dwivedi2023explainable}, interpreting the outcomes they produce interpretability \cite{ali2023explainable, rudin2019stop}, safeguarding personal data privacy and security \cite{yuan2019adversarial}, relying on system accuracy reliability \cite{afshari2022machine}, and securing equitable treatment by these systems equity \cite{caton2024fairness}."
- User
Realiza un análisis de los resultados de una experimentación del embedding de un RGA, en un LLM. Estos son los datos: "Chunk Size K Temperature Similarity Bleu_scores CO2e rouge1_Score_precision rouge1_Score_recall rouge1_Score_fmeasure rouge2_Score_precision rouge2_Score_recall rouge2_Score_fmeasure rougeL_Score_precision rougeL_Score_recall rougeL_Score_fmeasure Label_stereo_scores Stereo_scores Label_Odio_scores Odio_scores Perplejidad_scores 100 2 0,1 0,372922832 0,001464106 8713,102219 0,041077114 0,069315135 0,045445688 0,008989042 0,017812527 0,010932837 0,034561672 0,059651459 0,038629118 0,976154904 0,945180973 1,560262033 100 2 0,5 0,363688737 0,001576344 8742,052038 0,04041535 0,068006577 0,044490797 0,00951637 0,01870871 0,01140717 0,034357225 0,059452881 0,038355622 0,976154904 0,945180973 1,668224324 100 2 0,9 0,359010981 0,001450714 7757,472138 0,042831236 0,061593994 0,04364004 0,010376408 0,017162175 0,011385932 0,034529547 0,051773247 0,035931872 0,976154904 0,945180973 1,897578693 100 5 0,1 0,39568823 0,001454631 9866,193408 0,042513872 0,069566602 0,046711655 0,010492906 0,016775246 0,011654837 0,035401465 0,057916708 0,039013848 0,976154904 0,945180973 1,549642401 100 5 0,5 0,403149208 0,001429717 9413,47299 0,042323326 0,070237195 0,047202176 0,010805238 0,018126402 0,012160154 0,034885844 0,058816474 0,039112655 0,976154904 0,945180973 1,56536183 100 5 0,9 0,396851541 0,001691778 9052,407428 0,051327913 0,070129949 0,051432972 0,010354755 0,014720398 0,010422536 0,039935307 0,057177589 0,040921069 0,976154904 0,945180973 1,818203738 100 8 0,1 0,360850933 0,001345115 9773,460831 0,040444972 0,066502721 0,045762229 0,009108147 0,015829074 0,010724176 0,031989992 0,054625513 0,03661632 0,976154904 0,945180973 1,573964747 100 8 0,5 0,354294216 0,001296356 9050,93373 0,036973973 0,06180285 0,040154905 0,008912865 0,017976826 0,010835299 0,030877679 0,053614982 0,034082694 0,976154904 0,945180973 1,603119481 100 8 0,9 0,362796925 0,001358311 9215,066191 0,052970006 0,08492468 0,057725842 0,009476268 0,018486323 0,011166684 0,037478605 0,062306628 0,041200709 0,976154904 0,945180973 1,774481717 300 2 0,1 0,39742892 0,0014269 9122,577924 0,040965884 0,072437449 0,04614912 0,009624959 0,02051423 0,01218547 0,034440959 0,061309611 0,039050793 0,976154904 0,945180973 1,731813676 300 2 0,5 0,419633638 0,001393509 8933,316369 0,039976401 0,069706083 0,045379099 0,008394799 0,016879128 0,010262986 0,034046161 0,059619488 0,038792763 0,976154904 0,945180973 1,817796641 300 2 0,9 0,385461504 0,001343535 8234,659218 0,036277268 0,061148555 0,040137286 0,008028873 0,016318762 0,009811107 0,031527388 0,052446031 0,034717545 0,976154904 0,945180973 2,022492122 300 5 0,1 0,415005691 0,001456987 9945,94251 0,041136754 0,067297192 0,044546716 0,009001997 0,016572788 0,010218863 0,034146422 0,05731396 0,037584209 0,976154904 0,945180973 1,702163041 300 5 0,5 0,429103511 0,001391519 10182,72167 0,063410069 0,092969919 0,067071709 0,017643125 0,026953788 0,019007229 0,04400224 0,070536809 0,048232927 0,976154904 0,945180973 1,7437303 300 5 0,9 0,437919818 0,001509172 9732,626559 0,061752044 0,095470736 0,066513279 0,018732748 0,030100552 0,020480002 0,048490788 0,075521728 0,052401325 0,976154904 0,945180973 1,898453601 300 8 0,1 0,321055267 0,001006849 19818,57565 0,043469637 0,066109151 0,046618586 0,009805668 0,017360536 0,010969199 0,032811526 0,052764321 0,036005867 0,976154904 0,945180973 1,612279785 300 8 0,5 0,359637929 0,001098633 22836,94445 0,071197456 0,10393444 0,077409729 0,01894147 0,030751763 0,021742623 0,046862556 0,071094315 0,051485243 0,976154904 0,945180973 1,636246636 300 8 0,9 0,363983001 0,001109361 23099,77744 0,070887787 0,102025825 0,077002813 0,017837849 0,026844385 0,019779047 0,046365567 0,069854584 0,051045603 0,976154904 0,945180973 1,852762162 500 2 0,1 0,406449803 0,001398666 10777,50277 0,044194281 0,073831063 0,049106643 0,011477982 0,018722307 0,012662933 0,035507917 0,061039947 0,039890522 0,976154904 0,945180973 1,7769058 500 2 0,5 0,408262296 0,001428775 11538,65033 0,044406491 0,076941015 0,050194361 0,011738816 0,022187188 0,013916077 0,03667133 0,063647312 0,041531952 0,976154904 0,945180973 1,868719977 500 2 0,9 0,37714734 0,001377308 10942,93528 0,045388087 0,072921476 0,050612433 0,012540297 0,020657479 0,014184236 0,035626645 0,057710552 0,039857306 0,976154904 0,945180973 2,03153067 500 5 0,1 0,412307829 0,001434503 14111,6039 0,055557587 0,086931877 0,060131284 0,014671339 0,024146904 0,016344825 0,040417731 0,064888758 0,04397622 0,976154904 0,945180973 1,711017958 500 5 0,5 0,391588946 0,001360021 12513,41674 0,059222943 0,090576168 0,062397577 0,014481206 0,023961819 0,015586851 0,041808247 0,066828594 0,044732571 0,976154904 0,945180973 1,766026661 500 5 0,9 0,414417662 0,001361218 13101,07404 0,068019558 0,110433904 0,076293247 0,021315609 0,03411621 0,0240061 0,04944982 0,082857011 0,056183189 0,976154904 0,945180973 1,86696074 500 8 0,1 0,204447816 0,000575664 21188,74085 0,051438228 0,079047242 0,05558684 0,016029934 0,026412153 0,017508233 0,033356334 0,054203629 0,037038519 0,976154904 0,945180973 1,641617603 500 8 0,5 0,277732856 0,000889965 28344,98413 0,072343034 0,111613744 0,079773766 0,018781943 0,027782214 0,020350279 0,046518301 0,073138669 0,051759246 0,976154904 0,945180973 1,775920316 500 8 0,9 0,339710211 0,001125217 32194,04098 0,068098354 0,121648599 0,07506831 0,018847544 0,037999396 0,021524724 0,04441893 0,083102611 0,05024455 0,976154904 0,945180973 1,830487631 "
- Assistant
Analysis of Results from RGA Embedding Experiments in an LLM
The experimentation aimed to explore the impacts of Reinforcement Learning Generative Adversarial (RGA) embedding in a Large Language Model (LLM) across a variety of settings. Parameters varied included chunk size, values of K, and temperature, with outcomes measured in terms of similarity, BLEU scores, CO2 emissions, ROUGE scores, stereotype scores, hate speech scores, and perplexity scores.
Parameters and Metrics:
- Chunk Size: The size of text, ranging from 100 to 500.
- K: The number of selections in the sampling procedure, varied among 2, 5, and 8.
- Temperature: A hyperparameter that helps control the randomness in the prediction, varied among 0.1, 0.5, and 0.9.
Outcomes Observed:
-
Similarity and BLEU Scores:
- Generally, there is an observed decrease in similarity and BLEU scores as the temperature increases.
- The optimum similarity scores are often found at a lower temperature of 0.1 across all chunk sizes.
-
CO2 Emissions:
- CO2 emissions notably increase with the chunk size. For example, in a chunk size of 500 and K of 8, CO2 emissions almost doubled when the temperature changed from 0.1 to 0.9.
- More complex models (higher
Kand chunk size) significantly contribute to higher emissions, highlighting the need for efficiency improvements.
-
ROUGE Scores:
- ROUGE scores, which include precision, recall, and f-measure across ROUGE-1, ROUGE-2, and ROUGE-L, generally improve as the chunk size increases.
- Higher levels of K tended to yield better ROUGE scores, particularly evident in chunk sizes of 300 and 500.
-
Stereotype and Hate Speech Scores:
- Both stereotype and hate speech scores remain consistent across different experiments, suggesting these embeddings may not significantly influence these aspects in generated contexts.
-
Perplexity:
- Perplexity increases as the temperature increases, indicating lower model certainty in prediction with higher randomness.
Insights and Recommendations:
- Model Calibration: There appears to be an optimal balance between temperature and chunk size to maximize similarity and BLEU scores while keeping CO2 emissions and perplexity in check. A lower temperature setting generally promotes higher linguistic quality.
- Environmental Impact: Given the variance in CO2 emissions, more ecologically efficient architectures or training procedures are recommended, especially at larger chunk sizes and higher complexity levels.
- Balanced Performance: An increase in 'K' improves linguistic performance but at an ecological cost. Strategic decisions on the value of 'K' could balance performance against environmental and computational costs.
- Ethical Considerations: Despite technological advances, stereotype and hate speech metrics underscore the importance of continuous monitoring to prevent perpetuating harmful biases.
In conclusion, the experiment delineates a clear trade-off between linguistic performance and environmental/ecological impact in the configuration of LLMs with RGA embeddings. Further research could explore adaptive methods that dynamically adjust model parameters in response to real-time feedback to optimize both performance and ecological footprint.