Descubriendo sesgos con modelos de lenguaje grandes reflexivos

Los sesgos inherentes en los esfuerzos humanos plantean desafíos significativos para el aprendizaje automático, particularmente en el aprendizaje supervisado que depende de datos de "verdad fundamental" potencialmente sesgados. Esta dependencia, junto con la tendencia de los modelos a generalizarse en función de la máxima verosimilitud estadística, puede propagar y amplificar sesgos, exacerbando problemas sociales. Para abordar esto, nuestro estudio propone una metodología reflexiva que utiliza múltiples Modelos de Lenguaje Grandes (LLMs) involucrados en un diálogo dinámico para descubrir diversas perspectivas. Al aprovechar estadísticas condicionales, teoría de la información y métricas de divergencia, este enfoque novedoso fomenta comportamientos lingüísticos dependientes del contexto, promoviendo salidas no sesgadas. Además, permite el seguimiento del progreso medible y acciones de remediación explicables para abordar los sesgos identificados.