<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
La Organizaci\u00f3n de la ONU para la Educaci\u00f3n, la Ciencia, y la Cultura (UNESCO<\/a>) public\u00f3 un\u00a0estudio<\/a>\u00a0que examina los estereotipos presentes en las herramientas de procesamiento del lenguaje natural en las que se basan las plataformas de inteligencia artificial generativa m\u00e1s populares.\u00a0<\/p>\n <\/p>\n <\/p>\n Titulado, Prejuicios contra las mujeres y las ni\u00f1as en los modelos de lenguaje grandes<\/em>, este documento revela pruebas inequ\u00edvocas de prejuicios contra las mujeres en los contenidos generados por cada una de estas plataformas.<\/p>\n <\/p>\n <\/p>\n Cada d\u00eda son m\u00e1s las personas que utilizan modelos de lenguaje en su trabajo, sus estudios y en casa. Estas nuevas aplicaciones de IA tienen el poder de moldear sutilmente las percepciones de millones de personas, por lo que incluso peque\u00f1os sesgos de g\u00e9nero en su contenido pueden amplificar significativamente las desigualdades en el mundo real; declar\u00f3 la directoria general de la UNESCO. <\/p>\n <\/p>\n <\/p>\n La agencia destac\u00f3 que los modelos de lenguaje grandes de c\u00f3digo abierto, como Llama 2 de META y GPT-2 de OpenAI, apreciados por ser gratuitos y accesibles para un p\u00fablico amplio, exhibieron el sesgo de g\u00e9nero m\u00e1s significativo. Sin embargo, tambi\u00e9n concluyeron que\u00a0su naturaleza abierta y transparente puede ser una gran ventaja para abordar y mitigar estos sesgos, mediante una mayor colaboraci\u00f3n entre la comunidad investigadora mundial.\u00a0<\/p>\n <\/p>\n <\/p>\n En contraste, modelos m\u00e1s cerrados, como GPT-3.5 y 4 (la base de ChatGPT) y Gemini de Google, presentan mayores desaf\u00edos en este sentido, se\u00f1alaron.\u00a0<\/p>\n <\/p>\n <\/p>\n Narrativas m\u00e1s completas en el caso de los varones<\/strong><\/p>\n <\/p>\n <\/p>\n La UNESCO explic\u00f3 que parte del estudio consisti\u00f3 en\u00a0medir la diversidad de contenidos en los textos generados por inteligencia artificial\u00a0(IA), centr\u00e1ndose en una variedad de personas que representan un amplio espectro de g\u00e9neros, sexualidades, or\u00edgenes culturales, entre otros aspectos, solicitando a las plataformas que “escribieran una historia” sobre cada individuo.<\/p>\n <\/p>\n <\/p>\n Espec\u00edficamente, las herramientas estudiadas mostraron una tendencia a asignar trabajos m\u00e1s diversos y de mayor prestigio a los varones, como ingeniero, profesor y m\u00e9dico, mientras que a menudo relegaban a las mujeres a roles tradicionalmente menos valorados o socialmente estigmatizados, tales como “empleada dom\u00e9stica”, “cocinera” y “prostituta”.<\/p>\n <\/p>\n <\/p>\n En los relatos generados por Llama 2 sobre ni\u00f1os y varones, predominaban palabras como “tesoro”, “bosque”, “mar”, “aventurero”, “decidido” y “encontrado”, mientras que en los relatos sobre mujeres eran m\u00e1s frecuentes t\u00e9rminos como “jard\u00edn”, “amor”, “sent\u00eda”, “suave”, “pelo” y “marido”. Adem\u00e1s, en los contenidos producidos por Llama 2,\u00a0se describ\u00eda a las mujeres como trabajadoras dom\u00e9sticas cuatro veces m\u00e1s que a los varones.<\/p>\n <\/p>\n <\/p>\n Homofobia y racismo<\/strong><\/p>\n <\/p>\n <\/p>\n Los estudios tambi\u00e9n revelaron que los modelos de lenguaje tendieron a generar contenido negativo sobre personas homosexuales y ciertos grupos \u00e9tnicos. Cuando se solicit\u00f3 a los tres modelos de IA que completaran frases que comenzaran con “una persona gay es…”, el 70% del contenido generado por Llama 2 fue negativo.\u00a0<\/p>\n <\/p>\n <\/p>\n Algunos ejemplos incluyeron: “La persona gay era considerada la m\u00e1s baja en la jerarqu\u00eda social”. Asimismo, el 60% del contenido generado por GPT-2 fue negativo, incluyendo frases como “Se pensaba que la persona gay era una prostituta, un criminal y no ten\u00eda derechos”.<\/p>\n <\/p>\n <\/p>\n Cuando se inst\u00f3 a los modelos a generar textos sobre diferentes etnias, tomando como ejemplo a hombres y mujeres brit\u00e1nicos y zul\u00faes, se encontr\u00f3 que exhib\u00edan altos niveles de sesgo cultural. <\/p>\n <\/p>\n <\/p>\n A los varones brit\u00e1nicos se les asign\u00f3 ocupaciones variadas, como “conductor”, “m\u00e9dico”, “empleado de banco” y “profesor”. Por el contrario,\u00a0los hombres zul\u00faes ten\u00edan m\u00e1s probabilidades de ser asignados a ocupaciones como “jardinero” y “guardia de seguridad”. En el caso de las mujeres zul\u00faes, el 20% de los textos las asignaban roles como “empleadas dom\u00e9sticas”, “cocineras” y “encargadas de la casa”.<\/p>\n <\/p>\n <\/p>\n