Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI
Dieses Paper argumentiert, dass das Versagen der automatischen Spracherkennung bei ressourcenarmen und indigenen Sprachen Manifestationen kolonialer Sprachpolitiken ist, und schlägt einen dekolonialen Rahmen vor, der eine „Drei-Schaden-Taxonomie“ sowie ein partizipatives Governance-Modell umfasst, um eine kulturübergreifend kompetente Sprach-KI zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie betreten eine riesige, futuristische Bibliothek, in der die Bücher nicht einfach nur in Regalen stehen; sie sprechen zu Ihnen zurück. Dies ist die Welt der automatischen Spracherkennung (Automatic Speech Recognition, ASR), der Technologie, die Ihrem Telefon, Ihrem Smart Speaker oder Ihrem Computer ermöglicht, zu verstehen, was Sie sagen. Aber hier ist der Haken: Lange Zeit war diese Technologie wie ein Bibliothekar, der nur einen ganz bestimmten Dialekt des Englischen spricht und sehr verwirrt ist, wenn Sie mit einem Akzent sprechen, Slang benutzen oder zwischen Sprachen wechseln.
Um zu verstehen, warum das so ist, müssen wir uns einige große Ideen ansehen. Denken Sie zuerst an linguistisches Kapital wie an eine Währung. In der realen Welt werden einige Sprachen oder Akzente als „reich“ und wertvoll behandelt (wie das Standardamerikanische Englisch), während andere als „arm“ oder weniger wichtig angesehen werden. Zweitens gibt es die Idee der raciolinguistischen Ideologie, was im Grunde die Gewohnheit ist, die Intelligenz oder Glaubwürdigkeit einer Person basierend darauf zu beurteilen, wie sie klingt, statt auf das, was sie tatsächlich sagt. Schließlich fragt die dekoloniale Informatik (decolonial computing) danach, wie Technologien oft alte, ungerechte Machtstrukturen kopieren – wie etwa den Kolonialismus –, bei denen die Art und Weise, wie eine Gruppe spricht, als die „korrekte“ Art erzwungen wird und alle anderen angewiesen werden, sich anzupassen, um hineinzupassen. Wenn wir diese Ideen zusammenführen, sehen wir, dass wenn ein Computer eine Sprecherin oder einen Sprecher nicht versteht, dies nicht nur ein technischer Fehler ist, sondern eine politische Entscheidung, die besagt: „Deine Stimme zählt nicht so viel wie die eines anderen.“
Dieses Paper, geschrieben von einem Team von Forschenden aus Universitäten in den USA und Kanada, argumentiert, dass diese Fehler keine zufälligen Bugs sind. Stattdessen sind sie das Ergebnis von linguistischen Richtlinien (linguistic policies), die in die Software eingebaut sind. Die Autorinnen und Autoren legen nahe, dass die Art und Weise, wie diese Systeme entworfen, getestet und genutzt werden, wie ein Satz unsichtbarer Regeln wirkt, die entscheiden, wessen Stimmen für Maschinen „lesbar“ sind und wessen ignoriert werden. Sie schlagen vor, dass wir aufhören müssen, diese Fehler als einfache mathematische Probleme zu behandeln und stattdessen beginnen müssen, sie als soziale Probleme zu sehen, die echte Menschen verletzen.
Die Forschenden führen eine neue Art und Weise ein, diese Fehler zu betrachten, die sie die 3M-Taxonomie nennen: Misrecognition (Fehlerkennung), Misalignment (Fehlabstimmung) und Mistrust (Misstrauen).
- Misrecognition ist das Offensichtliche: Der Computer hört „Katze“, wenn Sie „Bat“ (Fledermaus) gesagt haben, oder er gibt einfach auf und sagt: „Ich habe nicht verstanden.“
- Misalignment ist subtiler. Der Computer erfasst vielleicht die richtigen Wörter, aber er verpasst die Bedeutung. Wenn Sie zum Beispiel eine höfliche Phrase oder ein lokales Idiom verwenden, übersetzt der Computer die Wörter vielleicht wörtlich, verpasst aber den Respekt oder den Humor, den Sie beabsichtigt haben, wodurch Sie unhöflich oder verwirrt wirken.
- Mistrust ist das Gefühl, das man bekommt, wenn man merkt, dass das System nicht für einen selbst gebaut wurde. Wenn man sich fünfmal wiederholen muss oder das Gefühl hat, dass das Gerät einen ausspioniert, verliert man das Vertrauen. Dies ist nicht nur die Ungeduld eines Nutzers; es ist eine rationale Reaktion auf ein System, das einen immer wieder im Stich lässt.
Das Paper legt nahe, dass die aktuelle Art und Weise, wie diese Systeme getestet werden, fehlerhaft ist. Die meisten Unternehmen nutzen einfach einen Wert namens Word Error Rate (WER), der zählt, wie viele Wörter falsch waren. Aber die Autorinnen und Autoren argumentieren, dass dies so ist, als würde man ein Gedicht nur nach der Rechtschreibung bewerten; es übergeht den Rhythmus, die Emotion und den kulturellen Kontext. Sie weisen darauf hin, dass für Sprachen mit Tönen (wo die Tonhöhe Ihrer Stimme die Bedeutung eines Wortes verändert) oder Klicklauten eine einfache Wortzählung nutzlos ist. Ein Computer mag das „Wort“ richtig erfassen, aber den Ton verändern und so ein Kompliment in eine Beleidigung verwandeln.
Um dies zu beheben, schlägt das Team einen partizipativen Rahmen (Participatory Framework) vor. Anstatt dass Ingenieure in einem Labor entscheiden, wie „korrekte“ Sprache klingt, sagen sie, dass die Menschen, die diese Sprachen tatsächlich sprechen, die Mitgestalter sein sollten. Stellen Sie sich vor, die Gemeinschaft, die einen bestimmten Dialekt spricht, dürfte die Testfragen schreiben, entscheiden, was als Fehler gilt, und sogar sagen: „Eigentlich wollen wir nicht, dass dieser Computer uns zuhört, aus Gründen der Privatsphäre.“ Das Paper skizziert eine vierstufige Schleife:
- Partizipative Prüfung (Participatory Auditing): Die Gemeinschaft testet das System und findet die 3M-Fehler.
- Gemeinschaftliches Co-Design (Community Co-Design): Die Gemeinschaft hilft dabei, die Regeln zu entwickeln, wie sich das System verhalten soll.
- Gerechte Bereitstellung (Equitable Deployment): Es wird sichergestellt, dass das System nur in einer Weise eingesetzt wird, die für diese spezifische Gruppe sicher und fair ist.
- Integration von Feedback (Feedback Integration): Es wird ein Weg geschaffen, auf dem Nutzer Probleme melden können und das Unternehmen dazu zwingen können, diese zu beheben, anstatt sie zu ignorieren.
Die Autorinnen und Autoren betonen vorsichtig, dass sie keine Wunderheilung oder einen neuen Computerchip präsentieren, der alles löst. Sie behaupten nicht, dass wir das Problem bereits gelöst haben. Stattdessen bieten sie einen Rahmen und eine Checkliste an, wie man mit der Lösung beginnen kann. Sie schlagen vor, dass diese Systeme weiterhin alte Ungleichheiten verstärken werden, solange wir nicht ändern, wer die Entscheidungen trifft und wie wir Erfolg messen. Sie argumentieren, dass wahre kulturelle Kompetenz bedeutet, zu wissen, wann man nicht zuhören sollte, zu respektieren, dass manche Gemeinschaften ihre Stimmen vielleicht privat halten wollen, und zu verstehen, dass „ressourcenarme“ Sprachen nicht von Natur aus arm sind; sie wurden durch die Geschichte so gemacht.
Kurz gesagt, dieses Paper ist ein Aufruf zum Handeln. Es sagt uns, dass wir, wenn wir möchten, dass Sprach-KI für alle wirklich hilfreich ist, aufhören müssen, Sprache nur als Daten zu behandeln, die verarbeitet werden müssen, und stattd beginnen müssen, sie als etwas Lebendiges, Kulturelles zu behandeln, das den Menschen gehört, die sie sprechen. Es legt nahe, dass der Weg nach vorne nicht nur aus besseren Algorithmen besteht, sondern aus besseren Beziehungen zwischen den Technologieentwicklern und den Gemeinschaften, denen sie dienen wollen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.