自動語音辨識審計陷阱：失語症者案例研究
arXiv - Computers and SocietyKatelyn Xiaoying Mei, Anna Seo Gyeong Choi, Hilke Schellmann, Mona Sloane, Allison Koenecke
提出針對失語症者的 ASR 審計框架，揭示現行審計忽視多樣性與錯誤類型，證實六大系統對其表現較差。
AI 幫你先抓重點
AI 重點 1
標準審計忽視多樣性與錯誤類型，可能掩蓋失語症者的實際困難
滑鼠懸停看 AI 判斷理由
若只用單一文字標準化與 WER，審計結果會顯示表面公平，實際上卻隱藏了失語症者在發音變異與幻覺錯誤上的高風險，導致系統改進方向錯位。
AI 重點 2
採用多層次、社群驅動的審計框架能更準確評估 ASR 對不同語音障礙者的影響
滑鼠懸停看 AI 判斷理由
此框架將社群偏好與交叉子群納入評估，能揭示細緻的性能差距，為開發者提供針對性改進指標，進而提升公平性與使用者滿意度。
核心研究發現
- 1
發現現行 ASR 審計常用單一文字標準化，忽略多樣性與社群偏好，易掩蓋失語症者的表現差異。
- 2
提出整合多層次、社群驅動的審計框架，涵蓋多種文字標準化、交叉子群與非傳統指標，提升審計完整性。
- 3
在六大主流 ASR 系統的案例研究中，失語症者的錯誤率普遍高於對照組，證實現行系統對此族群不公平。
對教育工作者的啟發
實務工作者可依此框架優化 ASR 審計流程：① 先收集多種文字標準化樣本，避免單一標準化造成偏差；② 在報告中細分交叉子群（如性別、語音障礙類型、語音特徵），並針對每個子群呈現錯誤分布；③ 除 WER 外加入幻覺率、語音辨識一致性等指標；④ 與失語症者社群合作，確定其語音偏好與可接受的錯誤範圍；⑤ 透過迭代測試，將審計結果回饋至模型訓練，持續提升公平性。
原始文獻資訊
- 英文標題：
- Addressing Pitfalls in Auditing Practices of Automatic Speech Recognition Technologies: A Case Study of People with Aphasia
- 作者：
- Katelyn Xiaoying Mei, Anna Seo Gyeong Choi, Hilke Schellmann, Mona Sloane, Allison Koenecke
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。