Cu o experiență de peste 20 de ani, vă transformăm prezența digitală. Suntem specializați în crearea de site-uri web și magazine online, SEO și marketing digital, soluții ERP și automatizări inteligente care vă propulsează afacerea.
Adresă:
Egnatia 154, Salonic 546 36
Telefon:
+30 231 231 4095
E-mail:
[email protected]
Sunteți pregătiți pentru următorul pas?;
Έρευνα σε επτά LLMs και 186 γειτονιές δείχνει πώς τα ονόματα τόπων μεταφέρουν μαζί πραγματικό σήμα κινδύνου και δημογραφική προκατάληψη.
Μπορεί ένα σύστημα τεχνητής νοημοσύνης να χαρακτηρίσει μια γειτονιά «ασφαλή» ή «επικίνδυνη» επειδή αναγνωρίζει το όνομά της; Η μελέτη Is Your Neighborhood Safe? των Huy Nguyen και Yue Lin δείχνει ότι αυτός ο κίνδυνος δεν είναι θεωρητικός. Σε 186 γειτονιές του Chicago και του Los Angeles, επτά LLMs αντέδρασαν πολύ περισσότερο στο τοπωνύμιο παρά στις γεωγραφικές συντεταγμένες.
Το εύρημα αφορά άμεσα προϊόντα travel, real estate, delivery, ασφάλισης, customer support και location intelligence. Ένα LLM μπορεί να δώσει σίγουρη συμβουλή χωρίς να έχει συμβουλευτεί πρόσφατα δεδομένα για τον τόπο. Ακόμη δυσκολότερα, το όνομα μπορεί να μεταφέρει ταυτόχρονα πραγματικό σήμα εγκληματικότητας και κοινωνικό στερεότυπο. Η αφαίρεσή του μειώνει και τα δύο· δεν αποτελεί από μόνη της λύση.
Η σύντομη απάντηση
Το όνομα μιας γειτονιάς δεν πρέπει να λειτουργεί ως μηχανισμός εκτίμησης κινδύνου. Σε ένα υπεύθυνο προϊόν, επαληθευμένα και χρονικά ενημερωμένα δεδομένα παράγουν την εκτίμηση, έλεγχοι fairness εξετάζουν τις αποκλίσεις και το LLM περιορίζεται στην εξήγηση ή τη διατύπωση της απάντησης.
Οι ερευνητές ζήτησαν από επτά instruct-tuned μοντέλα να βαθμολογήσουν πόσο ασφαλές είναι να περπατήσει κάποιος μόνος τη νύχτα, σε κλίμακα από το 1 έως το 10. Το πείραμα κάλυψε τις 77 επίσημες community areas του Chicago και 109 κατοικημένες γειτονιές του Los Angeles. Κάθε απάντηση συνδέθηκε με καταγεγραμμένη βίαιη εγκληματικότητα και δημογραφικές εκτιμήσεις της American Community Survey.
Τα μοντέλα ήταν Llama-3.2-3B, Llama-3.1-8B, Qwen2.5-7B, Qwen2.5-14B, GPT-4o-mini, GPT-4o και DeepSeek V4. Η ανάλυση δεν περιορίστηκε στον αριθμό που επέστρεψε κάθε μοντέλο. Οι συγγραφείς χρησιμοποίησαν την πιθανότητα που απέδιδε σε κάθε ακέραιο από το 1 έως το 10, ώστε να υπολογίσουν μια ομαλότερη αναμενόμενη βαθμολογία. Η συνολική πιθανότητα αριθμητικής απάντησης ήταν τουλάχιστον 0,99 για κάθε μοντέλο και πόλη.
Το πείραμα σε τέσσερις αριθμούς
Οι βασικές διαστάσεις της μελέτης Nguyen και Lin.
Η σχεδίαση είχε τρεις συνθήκες. Στην πρώτη, το μοντέλο έβλεπε μόνο συντεταγμένες. Στη δεύτερη έβλεπε μόνο όνομα γειτονιάς και πόλη. Στην τρίτη έβλεπε όνομα και συντεταγμένες μαζί. Η σύγκριση επιτρέπει να διαχωριστεί η αντίδραση στον πραγματικό γεωγραφικό τόπο από τις γλωσσικές συσχετίσεις που ενεργοποιεί το τοπωνύμιο.
Για έξι από τα επτά μοντέλα, οι βαθμολογίες με μόνο συντεταγμένες ήταν σχεδόν επίπεδες. Η τυπική απόκλιση μεταξύ γειτονιών βρισκόταν από 0,01 έως 0,15 μονάδες στην κλίμακα 1–10. Όταν εμφανιζόταν το όνομα, η διακύμανση ανέβαινε από 0,20 έως 1,67 μονάδες. Στα περισσότερα μοντέλα, λοιπόν, η αναγνωρίσιμη λέξη ενεργοποιούσε τη διαφοροποίηση — όχι το γεωγραφικό σημείο.
Υπήρχε ουσιαστική εξαίρεση. Το GPT-4o εμφάνισε διακύμανση 0,67 μονάδων στο Chicago και 0,91 στο Los Angeles ακόμη και με συντεταγμένες, ενώ το GPT-4o-mini έφτασε το 0,40 στο Los Angeles. Η γεωγραφική ικανότητα δεν είναι απούσα από κάθε LLM, αλλά ενισχύεται στα πιο ικανά μοντέλα χωρίς να εξαφανίζει την επίδραση του ονόματος.
Το όνομα ενεργοποιεί γλωσσικές συσχετίσεις και πιθανό δημογραφικό proxy, ενώ οι συντεταγμένες διαφοροποίησαν ελάχιστα τα έξι από τα επτά μοντέλα. Κανένα κανάλι δεν αποδεικνύει πρόσβαση σε πρόσφατα στοιχεία.
Η ασφαλέστερη βάση είναι μια ελεγχόμενη πηγή με ημερομηνία, γεωγραφική κάλυψη, περιορισμούς, fairness tests και σαφή κανόνα ανθρώπινης επανεξέτασης.
Για μια επιχείρηση, αυτό είναι προειδοποίηση κατά της ανθρωπομορφικής ανάγνωσης. Μια απάντηση που ακούγεται βέβαιη δεν αποδεικνύει ότι το σύστημα «κοίταξε τον χάρτη», έλεγξε πρόσφατα συμβάντα ή εφάρμοσε κατάλληλο risk model. Μπορεί απλώς να ανακάλεσε συσχετίσεις από κείμενα στα οποία ένα όνομα εμφανιζόταν μαζί με περιγραφές κινδύνου.
Οι βαθμολογίες βάσει ονόματος συσχετίζονταν αρνητικά με την καταγεγραμμένη βίαιη εγκληματικότητα σε όλα τα μοντέλα: όσο αυξανόταν η εγκληματικότητα, τόσο μειωνόταν συνήθως η εκτίμηση ασφάλειας. Το όνομα, επομένως, δεν λειτουργούσε ως τυχαίο στερεότυπο χωρίς καμία σχέση με μετρήσεις. Μετέφερε και χρήσιμο σήμα.
Ταυτόχρονα, η προσθήκη του ονόματος μείωνε περισσότερο τη βαθμολογία σε γειτονιές με υψηλότερο ποσοστό της τοπικά κυρίαρχης περιθωριοποιημένης ομάδας: Μαύρων κατοίκων στο Chicago και Ισπανόφωνων κατοίκων στο Los Angeles. Το μοτίβο εμφανίστηκε και στα επτά μοντέλα και στις δύο πόλεις. Το κρίσιμο ερώτημα ήταν αν η δημογραφική επίδραση ξεπερνούσε ό,τι εξηγούσαν η εγκληματικότητα και το εισόδημα.
Το όριο του Chicago
Στο Chicago, το ποσοστό Μαύρων κατοίκων και η βίαιη εγκληματικότητα είχαν συσχέτιση r=0,75. Με τόσο ισχυρή συνύπαρξη, τα διαθέσιμα δεδομένα δεν διαχωρίζουν καθαρά ένα μοντέλο που αντιδρά στο έγκλημα από ένα μοντέλο που αντιδρά στη δημογραφία. Οι συγγραφείς το παρουσιάζουν ως όριο ταυτοποίησης, όχι ως απουσία προκατάληψης.
Αυτό το μπέρδεμα είναι ιδιαίτερα σημαντικό για ομάδες analytics. Όταν ένα feature —εδώ, το τοπωνύμιο— κωδικοποιεί νόμιμη πληροφορία και ευαίσθητο proxy μαζί, η αφαίρεσή του μπορεί να ρίξει την απόδοση, ενώ η διατήρησή του μπορεί να αναπαράγει άνιση μεταχείριση. Η λύση χρειάζεται ανασχεδιασμό της ροής απόφασης και όχι απλώς ένα prompt που ζητά από το μοντέλο να είναι «δίκαιο».
Στο Los Angeles, η δημογραφική σύνθεση και η εγκληματικότητα ήταν περισσότερο διαχωρίσιμες. Και τα επτά μοντέλα εμφάνισαν αρνητικό δημογραφικό συντελεστή ακόμη και μετά τον έλεγχο για εγκληματικότητα και εισόδημα. Το ίδιο συμπέρασμα προέκυψε από τρεις διαφορετικές προσεγγίσεις: παλινδρόμηση επιπέδου, αφαίρεση του ονόματος και ζεύγη γειτονιών με παρόμοια εγκληματικότητα.
Η ανάλυση matched pairs περιέλαβε 28 ζεύγη. Σε κάθε μοντέλο, η γειτονιά με υψηλότερο ποσοστό Ισπανόφωνων κατοίκων βαθμολογήθηκε χαμηλότερα όταν εμφανιζόταν το όνομα, παρότι είχε αντιστοιχιστεί με γειτονιά παρόμοιας εγκληματικότητας. Με μόνο συντεταγμένες, η διαφορά ήταν ουσιαστικά μη διακριτή από το μηδέν για έξι μοντέλα. Το GPT-4o ήταν η μοναδική εξαίρεση, συνεπής με τη μεγαλύτερη αξιοποίηση των συντεταγμένων.
Οι συγγραφείς δίνουν ένα συγκεκριμένο παράδειγμα κλίμακας. Για δύο υποθετικά συγκρίσιμες γειτονιές του Los Angeles με ίδια εγκληματικότητα και ίδιο μέσο οικογενειακό εισόδημα, αλλά 11% έναντι 78% Ισπανόφωνων κατοίκων, το GPT-4o-mini απέδωσε στη δεύτερη 1,14 μονάδες χαμηλότερη ασφάλεια. Η αντίστοιχη διαφορά ήταν 1,35 για το DeepSeek V4 και 1,62 για το Qwen2.5-14B. Οι τιμές περιγράφουν το μοντέλο της συγκεκριμένης μελέτης· δεν αποτελούν πρόβλεψη για άλλη πόλη, χώρα ή εφαρμογή.
Η διατύπωση ενός prompt μπορεί να αλλάξει δραστικά τη συμπεριφορά ενός LLM. Οι ερευνητές επανέλαβαν, λοιπόν, τις τρεις συνθήκες με δέκα templates: διαφορετικό wording, αντιστροφή κλίμακας, κλίμακες 1–5 και 0–100, καθώς και σενάρια παιδιού, ενοικίασης, κατοίκου ή αναλυτή. Για όσα μοντέλα απαντούσαν, η κατεύθυνση της βαθμονόμησης και της επίδρασης του ονόματος δεν αντιστράφηκε. Τέσσερα από τα επτά μοντέλα έδωσαν στατιστικά σημαντικό αρνητικό μοτίβο και στα δέκα templates.
Η ομάδα εξέτασε επίσης αν οι γνωστές γειτονιές απλώς εμφανίζονται συχνότερα στα δεδομένα. Πρόσθεσε δύο δείκτες προβολής: τις προβολές της αγγλικής Wikipedia το 2023 και την ακριβή συχνότητα του ονόματος στο ανοικτό σώμα προεκπαίδευσης Dolma μέσω του infini-gram. Κανένας έλεγχος δεν μετέφερε τον δημογραφικό συντελεστή προς το μηδέν σε οποιοδήποτε από τα επτά μοντέλα.
Ένας ακόμη έλεγχος χώρισε τα αδικήματα σε επίπεδα ανάλογα με το πόσο η καταγραφή τους επηρεάζεται από την αστυνόμευση. Η υπερβολική επιφυλακτικότητα ακολουθούσε περισσότερο τις ανθρωποκτονίες, που συνήθως καταγράφονται, και όχι σταθερά τα αδικήματα διακριτικής επιβολής. Αυτό αποδυναμώνει την εξήγηση ότι το αποτέλεσμα είναι απλώς τεχνούργημα της αστυνομικής ανάπτυξης, χωρίς να μετατρέπει τα δεδομένα εγκληματικότητας σε αμερόληπτη «αλήθεια».
Η μελέτη μέτρησε τη γεωγραφική γνώση με ακρίβεια αναγνώρισης της περιοχής μιας πόλης και με διάκριση πραγματικών από επινοημένα ονόματα γειτονιών. Στο Los Angeles, η ακρίβεια περιοχής είχε πολύ ισχυρή συσχέτιση με την ένταση της δημογραφικής επίδρασης του ονόματος: ρ=-0,94 και p=0,002.
Η δοκιμή αναγνώρισης πραγματικών έναντι επινοημένων ονομάτων είχε την ίδια κατεύθυνση και στις δύο πόλεις, αλλά ο μικρός αριθμός μοντέλων έκανε τις εκτιμήσεις οριακές. Το συμπέρασμα χρειάζεται προσοχή: η μεγαλύτερη κλίμακα δεν αποδείχθηκε αιτία μεγαλύτερης προκατάληψης. Το λειτουργικό μάθημα είναι ότι καλύτερη ανάκληση τοπικής πληροφορίας δεν συνεπάγεται δικαιότερη κρίση. Το μοντέλο μπορεί να ανακτά περισσότερα πραγματικά στοιχεία και περισσότερα κοινωνικά στερεότυπα από το ίδιο κανάλι.
Οι δύο αιτιακές δοκιμές ενίσχυσαν αυτή την ανησυχία. Όταν το GPT-4o-mini έβλεπε μια γειτονιά σαν να ανήκε στην άλλη πόλη, η βαθμολογία του άλλαζε ελάχιστα: οι κρίσεις με λάθος πόλη είχαν συσχέτιση 0,89 με τις κρίσεις στην πραγματική πόλη. Όταν το prompt αποκάλυπτε ρητά το πραγματικό εκατοστημόριο εγκληματικότητας, η δημογραφική ποινή μειωνόταν στο Chicago αλλά δεν εξαφανιζόταν, ενώ στο Los Angeles παρέμενε πλήρως.
Κανόνας απόφασης
Μην αφήνετε το LLM να παράγει την υποκείμενη εκτίμηση κινδύνου από το τοπωνύμιο
Δώστε του μόνο επαληθευμένα δεδομένα και σαφή όρια διατύπωσης. Αν η απάντηση επηρεάζει στέγαση, πρόσβαση, τιμολόγηση, διανομή υπηρεσίας ή ασφάλεια ανθρώπων, απαιτούνται καταγραφή προέλευσης, έλεγχος ανά υποομάδα και ανθρώπινη επανεξέταση.
Ένα travel assistant μπορεί να μειώσει άδικα την προβολή καταλυμάτων σε συγκεκριμένες περιοχές. Μια πλατφόρμα real estate μπορεί να αναπαράγει στίγμα μέσα από περιγραφές «καταλληλότητας». Ένα εργαλείο logistics ή field service μπορεί να εισηγηθεί διαφορετική μεταχείριση περιοχών χωρίς επαρκή τεκμηρίωση. Ένα chatbot εξυπηρέτησης μπορεί να μετατρέψει μια αβέβαιη συσχέτιση σε κατηγορηματική συμβουλή.
Για το marketing υπάρχει επιπλέον θέμα brand safety. Αν μια εταιρεία υποτιμά συστηματικά περιοχές που συνδέονται με συγκεκριμένες κοινότητες, η ζημιά δεν περιορίζεται σε έναν λανθασμένο αριθμό. Αγγίζει την εμπιστοσύνη, τις συνεργασίες, την εμπειρία πελάτη και τη σχέση της μάρκας με τοπικά κοινά. Γι’ αυτό οι δοκιμές πρέπει να προηγούνται της παραγωγής και να επαναλαμβάνονται όταν αλλάζει μοντέλο, prompt, πάροχος ή αγορά.
Η αρχιτεκτονική πρέπει να κάνει ορατό ποιο σύστημα παρήγαγε κάθε claim. Όπως συμβαίνει σε ένα explainable AI workflow για CRM, μια πρόβλεψη δεν ισοδυναμεί με την κατάλληλη ενέργεια. Χρειάζονται policy rules, εξαιρέσεις, δικαιώματα χρήσης δεδομένων και μηχανισμός αμφισβήτησης. Η ανθρώπινη εποπτεία στα AI agents είναι αποτελεσματική μόνο όταν ο reviewer βλέπει την πηγή, την έκδοση μοντέλου και τον λόγο της παραπομπής.
Παράλληλα, οι ομάδες προϊόντος πρέπει να ελέγχουν αν η έξοδος αλλάζει όταν ένα proxy αφαιρείται ή αντικαθίσταται. Η ίδια λογική ισχύει πέρα από τις γειτονιές: ονόματα σχολείων, ταχυδρομικοί κώδικες, επαγγέλματα ή γλωσσικές ποικιλίες μπορούν να μεταφέρουν κοινωνικές συσχετίσεις. Οι δοκιμές για προτιμήσεις και σταθερότητα AI μοντέλων χρειάζεται να μετρούν το τελικό επιχειρηματικό outcome, όχι μόνο τη συνοχή της απάντησης.
Μια ομάδα μπορεί να υιοθετήσει τη λογική του πειράματος χωρίς να αντιγράψει όλη την ακαδημαϊκή μεθοδολογία. Το ζητούμενο είναι να μετατρέψει το πιθανό proxy σε ελεγχόμενη μεταβλητή, να συγκρίνει ισοδύναμες περιπτώσεις και να καταγράφει πότε το σύστημα αποκλίνει χωρίς επιχειρηματικά επαρκή αιτία.
Επτά βήματα για audit location-based AI
Καταγράψτε αν η έξοδος αλλάζει κατάταξη, πρόσβαση, τιμή, διαδρομή, προτεραιότητα υποστήριξης ή απλή ενημέρωση.
Ξεχωρίστε το τοπωνύμιο, τις συντεταγμένες, τα ιστορικά συμβάντα και τις παράγωγες μετρικές, μαζί με ημερομηνία και γεωγραφική κάλυψη.
Κρατήστε σταθερό το υπόλοιπο prompt και μετρήστε πόσο αλλάζει η απόφαση όταν εμφανίζεται κάθε κανάλι πληροφορίας.
Δημιουργήστε ζεύγη με παρόμοιο επαληθευμένο κίνδυνο και εξετάστε αν τα ονόματα παράγουν συστηματική απόκλιση.
Μια δικλείδα που λειτουργεί μόνο σε ένα prompt δεν είναι σταθερή. Επαναλάβετε το test όταν αλλάζει μοντέλο ή πάροχος.
Παραπέμψτε περιπτώσεις με υψηλό αντίκτυπο, παλιά δεδομένα, ανεπαρκή κάλυψη ή μεγάλη ασυμφωνία ανάμεσα στα κανάλια.
Συνδέστε model version, input provenance, τελική απάντηση, ανθρώπινη παρέμβαση και αποτέλεσμα ώστε το audit να συνεχίζεται μετά το launch.
Το NIST Generative AI Profile προτείνει use-case-specific αξιολόγηση συστημικής προκατάληψης, τεκμηρίωση των περιορισμών των benchmarks και μέτρηση της απόδοσης ανά δημογραφικές ομάδες και υποομάδες. Αυτή η λογική ταιριάζει ακριβώς στο πρόβλημα: η γενική αξιολόγηση ενός μοντέλου δεν αντικαθιστά τη δοκιμή στο συγκεκριμένο προϊόν, στην τοπική αγορά και στα πραγματικά δεδομένα λειτουργίας.
Η έρευνα καλύπτει δύο αμερικανικές πόλεις, επτά μοντέλα, αγγλικά single-turn prompts και μία συγκεκριμένη εργασία νυχτερινής ασφάλειας. Δεν αποδεικνύει ότι κάθε LLM, κάθε γλώσσα ή κάθε πόλη συμπεριφέρεται το ίδιο. Τα δεδομένα εγκληματικότητας επηρεάζονται από την αναφορά και την επιβολή του νόμου, ενώ τα matched pairs ελέγχουν την εγκληματικότητα αλλά όχι πλήρως το εισόδημα. Η παλινδρόμηση ελέγχει και το εισόδημα και συμφωνεί στην κατεύθυνση, όμως δεν εξαλείφει κάθε πιθανό συγχυτικό παράγοντα.
Οι συγγραφείς αναγνωρίζουν και τον κίνδυνο να ενισχυθεί το ίδιο το στίγμα με τη δημοσίευση βαθμολογιών για ονομασμένες γειτονιές. Γι’ αυτό παρουσιάζουν αποκλίσεις σε σχέση με την καταγεγραμμένη εγκληματικότητα και όχι μια κατάταξη «επικίνδυνων» περιοχών. Είναι χρήσιμο μάθημα για dashboards και reports: ακόμη και η διαφάνεια μπορεί να προκαλέσει βλάβη όταν εκθέτει ευαίσθητες κατατάξεις χωρίς πλαίσιο.
Τα αποτελέσματα δεν πρέπει να μεταφερθούν αυτούσια στην Ελλάδα. Η μεθοδολογία μπορεί να προσαρμοστεί, αλλά χρειάζονται ελληνικά δεδομένα, τοπικές κοινωνικές συσχετίσεις, νομικός έλεγχος και δοκιμές στα ελληνικά. Η αξιολόγηση multimodal και context-sensitive AI υπενθυμίζει το ίδιο σημείο: η απόδοση σε ένα benchmark δεν εγγυάται αξιόπιστη συμπεριφορά στο πραγματικό περιβάλλον χρήσης.
Το δύσκολο συμπέρασμα δεν είναι ότι τα τοπωνύμια πρέπει πάντα να αφαιρούνται. Το όνομα κουβαλά πραγματική πληροφορία και κοινωνικό στερεότυπο μαζί. Αν αφαιρεθεί, χάνεται μέρος του χρήσιμου σήματος. Αν παραμείνει χωρίς έλεγχο, το σύστημα μπορεί να παρουσιάσει προκατάληψη σαν τεκμηριωμένη αξιολόγηση.
Η πιο ώριμη κατεύθυνση είναι ο διαχωρισμός ρόλων. Τα επαληθευμένα δεδομένα παράγουν την εκτίμηση, οι κανόνες fairness και ασφάλειας ελέγχουν την απόφαση και το γλωσσικό μοντέλο βοηθά στην επικοινωνία χωρίς να επινοεί την υποκείμενη αλήθεια. Για οργανισμούς που χτίζουν εμπειρίες με AI, αυτό απαιτεί περισσότερο από ένα prompt fix, αλλά είναι πολύ πιο κοντά σε υπεύθυνη παραγωγική χρήση.
Automatizări operaționale și IA
Σχεδιάστε AI workflow που τεκμηριώνει κάθε κρίσιμη απόφαση
Η TWO DOTS χαρτογραφεί πηγές δεδομένων, κανόνες, human review και monitoring πριν συνδέσει AI με customer support, marketing ή επιχειρησιακές αποφάσεις. Έτσι το μοντέλο παραμένει χρήσιμο χωρίς να μετατρέπει ένα proxy σε αόρατη πολιτική.
Întrebări frecvente
Μέτρησε βαθμολογίες ασφάλειας για νυχτερινό περπάτημα από επτά LLMs σε 186 γειτονιές του Chicago και του Los Angeles, με όνομα, συντεταγμένες ή και τα δύο, και τις συνέκρινε με εγκληματικότητα και δημογραφικά δεδομένα.
Όχι. Για έξι μοντέλα η επίδραση ήταν πολύ μικρή, αλλά το GPT-4o και σε μικρότερο βαθμό το GPT-4o-mini εμφάνισαν ουσιαστική διαφοροποίηση, ιδιαίτερα στο Los Angeles.
Όχι. Οι κρίσεις βάσει ονόματος συσχετίζονταν με καταγεγραμμένη βίαιη εγκληματικότητα. Το πρόβλημα είναι ότι στο ίδιο κανάλι υπήρχε και δημογραφική επίδραση που, στο Los Angeles, ξεπερνούσε ό,τι εξηγούσαν εγκληματικότητα και εισόδημα.
Επειδή το ποσοστό Μαύρων κατοίκων και η βίαιη εγκληματικότητα είχαν υψηλή συσχέτιση, r=0,75, οπότε τα διαθέσιμα δεδομένα δυσκόλευαν τον στατιστικό διαχωρισμό των δύο επιδράσεων.
Όχι πάντα. Στη συγκεκριμένη δοκιμή, η ρητή αναφορά του πραγματικού εκατοστημορίου εγκληματικότητας δεν εξαφάνισε τη δημογραφική επίδραση του ονόματος.
Όχι ως γενική λύση. Η αφαίρεση του ονόματος μείωσε τη δημογραφική επίδραση, αλλά αφαίρεσε και μέρος του πραγματικού σήματος εγκληματικότητας που μετέφερε το όνομα.
Να μην χρησιμοποιεί τη μνήμη ενός LLM ως πρωτογενή μηχανισμό αξιολόγησης περιοχών. Χρειάζονται επαληθευμένα δεδομένα, έλεγχοι fairness, καταγραφή προέλευσης και ανθρώπινη εποπτεία ανάλογη με τον κίνδυνο.
Όχι χωρίς νέα δοκιμή. Η μελέτη αφορά δύο πόλεις των ΗΠΑ και αγγλικά prompts. Η μεθοδολογία μπορεί να προσαρμοστεί, αλλά χρειάζονται ελληνικά δεδομένα και αξιολόγηση των τοπικών κοινωνικών συσχετίσεων.
