Расширенные datasheet'ы для речевых наборов данных и этического принятия решений

Речевые наборы данных имеют решающее значение для обучения технологий обработки речи (Speech Language Technologies, SLT); однако отсутствие разнообразия в исходных тренировочных данных может привести к значительным ограничениям при создании справедливых и устойчивых SLT-продуктов, особенно по таким параметрам, как язык, акцент, диалект, вариант и нарушение речи — а также по взаимодействию речевых характеристик с социально-экономическими и демографическими признаками. Более того, зачастую отсутствует надзор за исходными тренировочными данными, которые обычно формируются с помощью масштабного краулинга веба и/или на основе общедоступной речи, в отношении этичности такого сбора данных. С целью поощрения стандартизированной документации компонентов таких речевых данных мы предлагаем расширенный datasheet для речевых наборов данных, который может использоваться дополнительно к «Datasheets for Datasets». Далее мы иллюстрируем важность каждого вопроса в нашем расширенном datasheet на основе углублённых обзоров литературы по речевым данным, используемым в областях машинного обучения, лингвистики и здравоохранения. Наконец, мы призываем практиков — от создателей наборов данных до исследователей — использовать наш расширенный datasheet для более чёткой формулировки объёма, свойств и ограничений речевых наборов данных, а также для учёта защиты субъектов данных и расширения возможностей пользовательских сообществ. Этичное создание наборов данных не является универсальным процессом, но создатели наборов данных могут использовать наш расширенный datasheet для рефлексивного учёта социального контекста соответствующих приложений SLT и источников данных с целью формирования более инклюзивных SLT-продуктов в дальнейшем.