Este estudo avalia a precisão diagnóstica do software de detecção auxiliada por computador (CAD) para triagem de tuberculose (TB) usando radiografias de tórax em Uganda, abordando o desafio de determinar limites apropriados para testes adicionais. Mais de 52.000 indivíduos com 15 anos ou mais foram examinados, e os resultados indicaram que o uso de um limiar universal de 0,1 para pontuações de raios X melhorou a sensibilidade e a especificidade em comparação com limiares mais elevados. A análise demonstrou que a estratificação dos limiares com base na idade e no sexo pode melhorar a precisão, com um ligeiro aumento na sensibilidade. Os resultados sugerem que o CAD é eficaz no rastreio da TB em indivíduos assintomáticos e que os limiares personalizados podem ser benéficos em locais com recursos limitados. O estudo sublinha a importância de adaptar estratégias de rastreio para melhorar as taxas de detecção da TB, particularmente entre populações de alto risco, e defende mais investigação para validar estas abordagens. O artigo discute o conceito de desaprendizagem de máquina, particularmente no contexto de grandes modelos de linguagem (LLMs), focando no desafio de remover conhecimento específico aprendido de determinados pontos de dados por razões de privacidade. Critica a suposição comum de que todos os pontos de dados são tratados igualmente no processo de desaprendizagem, destacando que este não é o caso dos LLMs. Os autores demonstram que a frequência do conhecimento a ser desaprendido nos dados de pré-treinamento do modelo influencia significativamente o sucesso do processo de desaprendizagem, sendo o conhecimento mais frequente mais difícil de remover. Além disso, revelam um desalinhamento entre as avaliações de desaprendizagem baseadas na probabilidade e na geração, o que se agrava à medida que o tamanho dos modelos aumenta. As descobertas enfatizam a necessidade de métodos de avaliação aprimorados e técnicas inovadoras de desaprendizagem que considerem os dados de treinamento dos modelos. Os grandes modelos de linguagem (LLMs) surgiram como tecnologias significativas em produtos de consumo de IA, servindo como componentes cruciais em motores de busca, chatbots e assistentes de escrita, ao mesmo tempo que actuam como guardiões da informação. Pesquisas recentes destacaram não apenas a sua exatidão factual, mas também a sua confiabilidade mais ampla, incluindo aspectos como segurança, justiça e ética. Um crescente corpo de estudos explorou os preconceitos políticos e ideológicos incorporados nos LLMs, que podem refletir as crenças dos seus criadores através de escolhas feitas durante o processo de design, incluindo a arquitetura do modelo e a seleção de dados de treinamento. Este artigo investiga a diversidade ideológica entre os LLMs populares sem fazer julgamentos sobre a sua neutralidade ou preconceito. Enfatiza que extrair as posições ideológicas dos LLMs é um desafio, uma vez que estudos anteriores frequentemente se baseavam em questionamentos diretos, o que pode levar a resultados inconsistentes. Em vez disso, esta investigação emprega uma metodologia que capta posições ideológicas através de descrições geradas pelo LLM de figuras politicamente relevantes, seguidas de avaliações do sentimento em relação a essas figuras. O estudo utiliza um conjunto diversificado de dados de personalidades políticas e analisa respostas em diferentes línguas e regiões, revelando que as posições ideológicas variam significativamente com base na linguagem motivadora e no contexto geopolítico da criação do LLM. As conclusões sugerem que os LLM reflectem as ideologias dos seus criadores e que as abordagens regulamentares devem centrar-se na transparência em vez de impor a neutralidade. O estudo destaca a necessidade de conscientização sobre as implicações ideológicas da seleção de LLM e defende o desenvolvimento de diversos LLMs que atendam aos contextos culturais e ideológicos locais.
