یک مطالعه، تعصب جنسیتی را در الگوریتم هایی که موسیقی پیشنهاد می کنند پیدا کرد.
الگوریتم های موسیقی پرکاربرد به احتمال زیاد موسیقی های هنرمندان مرد را به احتمال بیشتری انتخاب و توصیه می کنند. یک مطالعه جدید به اختلافات جنسیتی در الگوریتم های مبتنی بر موسیقی می پردازد. اگرچه مشکل تبعیض جنسیتی از قبل در صنعت موسیقی وجود دارد ، الگوریتم های توصیه موسیقی شکاف جنسیتی را افزایش می دهند.
آندرس فرارو و خاویر سرا ، محققان گروه تحقیقاتی فناوری موسیقی (MTG) گروه فناوری اطلاعات و ارتباطات ، به همراه کریستین بائر ، از دانشگاه اوترخت (هلند) ، اخیراً مقاله ای در مورد تعادل جنسیتی در سیستم های توصیه موسیقی که در آن آنها از خود می پرسند که سیستم برای جلوگیری از سوگیری جنسیتی چگونه باید کار کند؟
تعصب یا عدالت جنسیتی
نویسندگان تشخیص دادند که عدالت جنسیتی یکی از نگرانی های اصلی هنرمندان است.
در ابتدا ، کار Ferraro ، Serra و Bauer با هدف درک انصاف سیستم عامل های موسیقی موجود از نظر هنرمندان به صورت آنلاین انجام شد. در مصاحبه های انجام شده با هنرمندان موسیقی ، آنها تشخیص دادند که عدالت جنسیتی یکی از نگرانی های اصلی آنها است.
مواجهه زنان کمتر است
نویسندگان یک الگوریتم توصیه موسیقی معمولاً مبتنی بر فیلتر کردن را آزمایش کردند و نتایج دو مجموعه داده را تجزیه و تحلیل کردند. در هر دو مورد ، آنها دریافتند که الگوریتم تعصب موجود در مجموعه ، داده هایی را بازتولید می کند ، که در آن فقط 25٪ از هنرمندان زن هستند. علاوه بر این ، الگوریتم با استفاده از هنرمندان رتبه بندی ایجاد می کند تا به کاربر توصیه کند.
نویسندگان مشاهده کردند که به طور متوسط اولین توصیه یک زن هنرمند در جایگاه 6 یا 7 قرار دارد ، در حالی که توصیه یک هنرمند مرد در موقعیت اول است. فرارو ، نویسنده اول مقاله می افزاید: “تعصب در معرض قرار گرفتن از نحوه تولید توصیه ها ناشی می شود”. این بدان معنی است که زنان براساس توصیه های سیستم کمتر در معرض دید قرار می گیرند.
تعصب در الگوریتم های پیشنهاد کننده ی موسیقی
با در نظر گرفتن این نکته که وقتی کاربران به آهنگ های توصیه شده گوش می دهند ، الگوریتم یاد می گیرد ، وضعیت بدتر می
شود. این یک حلقه بازخورد ایجاد می کند.
با کمک الگوریتم مرتب شده ، کاربران شروع به تغییر رفتار خود می کنند تا بیشتر به گوش زنان هنرمند بروند
یک رویکرد جدید برای جبران تعصب جنسیتی
نویسندگان این مطالعه رویکرد جدیدی را ارائه می دهند که امکان مواجهه بیشتر با زنان هنرمند را فراهم می کند و شامل مرتب سازی مجدد این توصیه می شود ، که برای حل تعصبات جنسیتی موجود تعداد مشخصی از موقعیت ها را به سمت پایین حرکت می دهد.
در یک شبیه سازی ، نویسندگان مطالعه کردند که چگونه توصیه های طبقه بندی شده در طولانی مدت بر رفتار کاربر تأثیر می گذارد. نتایج نشان داد که ، با کمک الگوریتم طبقه بندی مجدد شده ، کاربران شروع به تغییر رفتار خود می کنند و بنابراین بیشتر از سایر الگوریتم های توصیه موسیقی به گوش هنرمندان زن می پردازند و علاوه بر این ، الگوریتم جدید ، مبتنی بر یادگیری ماشین ، این تغییر را در رفتار تحکیم می کند.
سید مهدی ساداتی هستم. عاشق مغز! داروساز و دانشجوی دکترای تخصصی علوم اعصاب. عضو تیم مرکز سلامت مغز دانا! از علاقه هام شناسوندن کارایی های هیجان انگیز مغز به زبان ساده به آدمهاست! جست و جو می کنم در افسردگی، داروهای موثر بر مغز و سایر بیماری های حوزه ی روان و البته نوروپلاستیسیتی!