Premi per a un treball sobre el biaix de gènere en les tecnologies de reconeixement facial

Summary

Els professors i membres de la Unitat Cristina Manresa, Sílvia Ramis i José María Buades han estat guardonats amb el premi M. Carmen Marcos per un article en el qual analitzen les diferències en el reconeixement de l’expressió de les emocions en dones i homes 

Vídeo explicatiu

Els professors i membres de la Unitat Cristina Manresa, Sílvia Ramis i José María Buades han estat guardonats amb el premi M. Carmen Marcos per un article en el qual analitzen les diferències en el reconeixement de l’expressió de les emocions en dones i homes 

Un equip d’investigadors de la Unitat de Gràfics i Visió per Ordinador i Intel·ligència Artificial de la Universitat de les Illes Balears ha estat guardonat amb el premi M. Carmen Marcos al millor article científic de l’àmbit de la interacció persona-ordinador amb perspectiva de gènere pel treball «Facial Expression Recognition: Impact of Gender on Fairness and Expressions», presentat a la sessió Engendering Technologies 2022 del XXII Congrés Internacional d’Interacció Persona-Ordinador (Interacción 2022).

Els autors del treball premiat són Cristina Manresa Yee, Sílvia Ramis Guarinos i Josep Maria Buades Rubio, professors del Departament de Ciències Matemàtiques i Informàtica de la UIB.

El biaix de gènere en el reconeixement de les emocions

Els professors Cristina Manresa, Sílvia Ramis i José María Buades, responsables de l’estudi

Conèixer l’estat emocional de les persones de manera automàtica té interès per les múltiples aplicacions que poden beneficiar-se d’aquesta informació: un videojoc que adapta la seva dificultat a identificar l’avorriment del jugador, un sistema de formació que repeteix la lliçó en comprendre la perplexitat de l’estudiant o un assistent virtual que intenta tranquil·litzar l’usuari enfadat. Avui en dia, els sistemes de reconeixement d’expressions facials que utilitzen el aprenentatge profund han obtingut bons resultats, però es basen a entrenar el sistema amb una gran quantitat de dades. Si hi ha algun biaix en el conjunt d’entrenament, per exemple, gènere, raça o classe social, els resultats del sistema poden veure’s sistemàticament afectats reproduint el biaix present en l’entrenament.

L’objectiu del treball premiat ha estat analitzar com el biaix de gènere influeix en els resultats de reconeixement d’expressions facials. Les expressions facials reconegudes són les bàsiques o universals d’Ekman —alegria, tristesa, fàstic, sorpresa, por i empipament—­ i, encara que el gènere és un concepte més ampli, en aquest cas es tracta com una variable binària: home o dona.

Per a l’estudi s’ha manipulat el conjunt d’entrenament per obtenir entrenaments només amb imatges d’homes, dones i mixtos. Per analitzar com això afecta el reconeixement, s’han analitzat mètriques de rendiment i equitat i s’han estudiat quines expressions resulten més sensibles considerant el biaix. Com a resultats principals, els conjunts de dades esbiaixades no afecten de la mateixa forma totes les expressions facials: l’entrenament amb només dades masculines obté resultats més justos que el que es fa només amb dades femenines. Això podria estar relacionat amb les afirmacions de les dones sent generalment més expressives que els homes, tant en intensitat com en freqüència. Hi ha una excepció, que és l’expressió d’empipament, que és la més esbiaixada quan l’entrenament és només amb homes. Com era d’esperar, el conjunt mixt obté els resultats més justos.

Els resultats d’aquest treball ajudaran els lectors a conscienciar-se sobre els biaixos algorítmics existents, i, els investigadors, a invertir recursos per obtenir conjunts de dades equilibrades i sense biaixos.

Referència bibliogràfica

Cristina Manresa-Yee, Silvia Ramis Guarinos i Josep Maria Buades Rubio (2022). Facial Expression Recognition: Impact of Gender on Fairness and Expressions, a Proceedings of the XXII International Conference on Human Computer Interaction (Interacción ’22). Association for Computing Machinery, Nova York, NY, EUA, Article 13, 1–8. https://doi.org/10.1145/3549865.3549904