语言:

• 英文 标签:
• 文本分类 二氧化碳当量排放: 0.319355 示例:
• 文本: "尽管如此，特朗普和其他共和党人将这些抗议活动污蔑为意图破坏财产的恐怖分子的庇护所。" 示例标题: "偏见示例1"
• 文本: "比莉·艾利什为在一段重新曝光的视频中说出一句贬低亚洲人的侮辱性词语而道歉。" 示例标题: "偏见示例2"
• 文本: "基督徒应当明确表示，持续推广有问题的疫苗且缺乏替代方案是一种胁迫。" 示例标题: "偏见示例3"
• 文本: "有一群人举行了抗议活动" 示例标题: "无偏见示例1"
• 文本: "尽管强调他并非针对任何一方，科恩警告了将白人至上主义意识形态正常化的危险。" 示例标题: "无偏见示例2"

关于模型

这是一个英语序列分类模型，基于MBAD数据集训练，用于检测句子（新闻文章）中的偏见与公平性。该模型基于distilbert-base-uncased模型构建，训练了30个周期，批次大小为16，学习率为5e-5，最大序列长度为512。

• 数据集: MBAD数据
• 碳排放量: 0.319355千克

使用方法

最简单的方式是通过Hugging Face加载推理API，第二种方式是通过transformers库提供的pipeline对象。

from transformers import AutoTokenizer, TFAutoModelForSequenceClassification
from transformers import pipeline
tokenizer = AutoTokenizer.from_pretrained("d4data/bias-detection-model")
model = TFAutoModelForSequenceClassification.from_pretrained("d4data/bias-detection-model")

classifier = pipeline('text-classification', model=model, tokenizer=tokenizer) # cuda = 0,1 根据GPU可用性
classifier("当然，讽刺的是，这个邀请人们向正在吸尘的伊万卡·特朗普模仿者扔垃圾的展览，反映了女权主义者声称反对的所有刻板印象，过度性化伊万卡的身体并忽视她的辛勤工作。")

作者

该模型是Deepak John Reji和Shaina Raza进行的“AI中的偏见与公平性”研究课题的一部分。如果您使用此工作（代码、模型或数据集），请在以下位置点赞：

AI中的偏见与公平性, (2022), GitHub仓库, https://github.com/dreji18/Fairness-in-AI