XiaoMi-AI文件搜索系统
World File Search SystemBias
利用虚拟工作环境减少隐性性别偏见
摘要 隐性性别偏见会给职场女性带来代价高昂且复杂的后果，许多女性报告称自己遭受了性别微侵犯，这导致她们被忽视或不尊重。我们呈现了一个在线桌面虚拟环境，从第一人称视角讲述了男性或女性自我形象的故事，他们要么经历积极要么消极的工作场景。消极场景包括许多来自性别微侵犯分类的例子。与拥有男性自我形象的参与者相比，与女性自我形象有过消极职场体验的参与者的隐性性别偏见水平显著降低。有证据表明，在消极条件下，女性自我形象表现出同理心和观点采择。无论自我形象的性别如何，积极的职场场景体验都没有表明隐性性别偏见显著减少。我们讨论了这些发现的含义，并就减少隐性偏见提出了虚拟环境技术和场景的建议。
城市化增长：宏观经济分析*
* 我们感谢 Fabian Trottner 的深入讨论。我们还感谢 Pol Antr`as、David Autor、Costas Arkolakis、Gideon Bornstein、Laura Castillo-Martinez、Jonathan Dingel、Pierre- Olivier Gourinchas、Gordon Hanson、J. Bradford Jensen、Tom Kemeny、Chris Moser、Michael Peters、Esteban Rossi-Hansberg 和 Steve Redding 的深刻评论。本文表达的任何观点均为作者观点，不代表美国人口普查局的观点。人口普查局的披露审查委员会和披露避免官员已审查此信息产品是否存在未经授权披露机密信息的情况，并已批准了此新闻稿中采用的披露避免做法。本研究由联邦统计研究数据中心根据 FSRDC 项目编号 2193（CBDRB-P2193-R8942、R9405、R9629 和 R10013）进行。Eckert 和 Walsh 感谢普林斯顿大学国际经济系完成本研究的部分工作。本文的当前版本取代了“熟练可扩展服务：经济增长中的新城市偏好”。† 加州大学圣地亚哥分校；fpe@ucsd.edu ‡ 乔治城大学；sharat.ganapati@georgetown.edu § 哥伦比亚大学；caw2226@columbia.edu
人工智能/机器学习在医疗健康领域的挑战：偏见、普遍性、隐私
另请参阅：可穿戴传感器在 SARS-CoV-2 感染检测中的表现：系统评价，Mitratza 和 Goodale 等人。《柳叶刀数字健康》
偏见评估 - 欧洲数据保护委员会
4. 汇总偏差：当数据集来自整个人口时，可能会对个人或小群体得出错误的结论。这种偏差最常见的形式是辛普森悖论（Blyth，1972），当只考虑整个人口的汇总数据时，小群体数据中观察到的模式就会消失。最著名的例子来自 1973 年加州大学伯克利分校的录取（Bickel 等人，1975）。根据汇总数据，女性申请者被拒绝的次数似乎明显多于男性。然而，对部门级数据的分析显示，大多数部门男性的拒绝率更高。汇总数据未能揭示这一点，因为女性申请总体录取率低的部门的比例高于申请录取率高的部门的比例。
解决和缓解人寿保险的偏见
模型偏差。人寿保险部门内的后果是深远的，影响了围绕政策定价，承保和风险评估的关键决策，以及潜在的歧视性影响的资格。本节段深入研究模型偏差的理论基础，对其各种表现进行了分类，并通过特定于部门的场景说明了其发生。通过剖析偏见无意间编码为预测模型的实例，我们旨在阐明这种偏见使社会差异永久存在的途径，从而挑战精算专业，以严格评估和完善其分析方法。
经济增长的新城市偏见
conoraw@princeton.edu First Version: March 2019 This Version: November 2020 We thank Pol Antràs, David Autor, Costas Arkolakis, Gideon Bornstein, Laura Castillo-Martinez, Jonathan Dingel, Pierre-Olivier Gourinchas, Gordon Hanson, J. Bradford Jensen, Thomas Kemeny, Chris Moser, Michael Peters, Esteban Rossi-Hansberg和Steve Redding对有见地的评论和Serena Sampler提供了出色的研究帮助。此处表达的任何意见和结论都是作者的观点，不一定代表美国人口普查局的观点。所有结果均已审查，以确保未披露机密信息。Eckert和Walsh感谢普林斯顿大学的国际经济学部分，其中一些工作已经完成。本文的当前版本取代了“熟练的可交易服务：美国高技能劳动力市场的转型”。
手动感知中的偏见是由体感计算驱动的，而不是扭曲的手模型Peviani，V.C。； L.E.C. Miller； Medendorp，W.P。 2024，ar
为了感知环境中的对象并互动，我们毫不费力地在所需的位置配置了我们的figertips。因此，可以合理地假设潜在的控制机制依赖于有关我们的手和纤维的结构和空间维度的准确知识。然而，这种直觉受到了多年的研究挑战，表明纤维几何学的感知中存在巨大的偏见。1–5这种感知偏见被视为证据表明大脑对人体的内部表示被扭曲，6导致了关于我们行为熟练的明显悖论。7在这里，我们对手工感知的偏见提出了另一种解释，这是噪音的贝叶斯整体的结果，但是关于纤维几何和姿势的无偏见，无偏的体感信号。为了解决这一假设，我们将贝叶斯反向工程与索引填充剂的关节和填充定位进行的行为实验相结合。，我们以感觉或在空间坐标中对贝叶斯的整合进行了建模，表明后一种模型变体导致了纤维感知的偏见，尽管有准确表示纤维长度。关节和纤维化定位响应的行为度量显示出相似的偏见，这些偏见是由空间基的，但不是基于感觉的模型变体所填充的。空间模型变体还优于具有内置几何偏差的失真手模型。总的来说，我们的结果表明，纤维几何形状的感知失真不会反映扭曲的手模型，而是源自几乎最佳的贝叶斯对体感信号的推断。
使用未配对的图像到图像翻译网络纠正气候模型模拟
摘要：我们评估了未配对的图像到图像翻译网络的适用性，以纠正通过全球大气循环模型模拟的数据。我们使用无监督的图像对图像翻译（单元）神经网络体系结构来映射在以南亚季风为中心的地理区域中的HADGEM3-A-N216模型和ERA5重新分析数据之间的数据，该区域中具有充分记录的严重偏见。单位网络构建了跨变量的相关性和空间结构，但产生的偏置校正比目标分布少。通过将单位神经网络与经典的分位数映射技术（QM）相结合，我们可以制定比任何一个单独的偏差校正。单元1 QM方案显示可以纠正单个变量的跨变量相关性，空间模式和所有边际分布。对这种联合分布的仔细校正对于化合物极端研究至关重要。