對於研究剛入門的初學者而言，在醫院若沒有相關人脈或背景，是很難有老師願意這樣手把手從頭一步一步教你如何做研究。
⠀⠀
回想起自己花費無數心血在網路上爬文、自學的心路歷程，但仍是有許多小細節，需要經驗豐富的大師們指導示範，才能夠體會並且知道未來如何避免。　
⠀⠀
⠀⠀
【現在投資自己，將來 PubMed 有你！】
⠀⠀
時代的窗口有時候就幾年而已，現在 meta-analysis 容易寫、容易發，也還被多數學校升等接受，能寫快點寫。不限研究資歷，沒有擋修問題，現在投資自己，下一個登上 PubMed 的是你！
⠀⠀
🔹最新活動｜8/22（日）統合分析工作坊
🔹立刻報名｜https://meta-analysis.innovarad.tw/event/　
⠀⠀
⠀⠀
▎論文寫不出來？缺的是一份懶人包！
⠀⠀
《統合分析工作坊》的課程設計非常縝密，一開始就從如何搜尋主題、尋找靈感進入資料庫的世界，運用技巧來廣泛收納文章，並且增進自我評估文章撰寫成功率的能力。再來是介紹其中重要專有名詞和其背後含義，對於日後閱讀統合分析的文章也是大有幫助，很容易抓到重點。
⠀⠀
而軟體的使用與教學，老師們親身使用不同的統計軟體後，為我們精選最適合的軟體，並且在課程中實地練習、熟悉操作步驟，並且自己跑出圖表來，這樣的懶人包，絕對可以增加日後統計的速度與熟悉度。　
⠀⠀
⠀⠀
▎拆解段落教學，之後只要分段套用即可。
⠀⠀
關於統合統計分析文章的書寫，講師實際將文章分段拆解，提點各段應該注意的小細節，例如撰寫的順序並不是由前到後，才不會讓自己卡住並難產；撰寫的時機也不一定要正襟危坐，如何把握零碎時間來每日一句也是個小技巧；審閱者的第一印象為何，該如何把重心轉移其上來增加自己成功投稿的自信心。
⠀⠀
課程中也有一堂課，是分享製作圖表和文章呈現的美學，這部分，其實在上課過程中，也可以從講師們身上學習到很多清爽簡潔的簡報風格，講師也不吝讓我們拍照留下重要的 PPT，讓我們課後複習有明確的目標。　
⠀⠀
⠀⠀
🔔 年輕研究者的起步首選　
⠀⠀
對於沒有資源的年輕研究者來說，meta-analysis 是起步的好領域。
⠀⠀
☑ 不需跑 IRB
☑ 不需花錢請助理蒐集檢體
☑ 不需要砸錢一次一次的進入加值中心
☑ 適合資源缺乏又需要單兵作戰的醫療相關人員
☑ 只要能組成研究團隊，還可擁有飛快的發表速度。
⠀⠀
🎊【年度回顧】新思惟研究課程之友，2020 年共 689 篇論文發表！
🎊 2021 年 4 月新思惟校友總計 96 篇發表，其中 11 位是首篇論文發表！
⠀⠀
🚩 有好工具在手，發表論文不難！
https://meta-analysis.innovarad.tw/event/

一個住院醫師的薪水要在台北市養兩個小孩，其實生活還是滿捉襟見肘的，但是新思惟課程的口碑很好，同科的學姊上完後讚不絕口，忍不住想來見識一下大師風采，一咬牙一閉眼，還特地挑了張回饋高的信用卡，買下這張進入 meta-analysis 殿堂的門票。
　
其實，之前也有上過統計分析的課程，有些以講解統計理論為主，聽到一半就開始恍神跟不上節奏。
　
有些是講者操作統計軟體，我們同時用筆電跟著操作，當下的確對於跑出的統計圖感到驚奇，但也僅只於此，因為步驟繁雜，課後想要自己重新操作卻錯誤百出，以至於再現性很低。
　
而新思惟的課程是我聽過最好的，軟體部分用清楚的課本指引自行操作增加印象，隨時有老師與助教在旁即時指導，回家後想要重新操作只需要按表操課來熟能生巧。
　
而課程安排也是十分用心，不管是精美的 PPT 或是講者流利的口條，都讓我十分驚艷，相信是在台下花了非常多的時間備課，才能這麼行雲流水。
　
而授課內容也沒有艱深困難的統計理論與定義，取而代之的是淺顯易懂的比喻以及實際操作，聽完真的有迫不及待想要實作的衝動。
　
6 / 19（六）統合分析工作坊｜即將額滿
瞭解課程｜https://meta-analysis.innovarad.tw/event/
　　
🚩 無經費、無資源者的起步首選。
🚩 省去初學者的試誤成本，帶你跨出最困難的一步！
　　
【特別公告】好評加開，把握機會！
　　
新思惟熱門課程，2021 上半年三梯次釋出皆迅速額滿。　　
　
　　
🎖 【共享榮耀】
　　
[快訊] 黃暉凱醫師團隊，關於 COVID-19 患者，BMI 與死亡率成 J 型關聯的統合分析，以致編者信形式，獲 Diabetes, Obesity & Metabolism 刊登！
　
[快訊] 楊政群醫師團隊，關於酒精燒灼甲狀腺囊腫與囊腫性結節之統合分析，獲 Endocrinology and Metabolism 刊登！
　
[快訊] 葉威志與曾秉濤醫師團隊，關於抗癲癇藥物影響睡眠多項生理檢查結果之統合分析，獲 Sleep Medicine 刊登！
　
[快訊] 欒智偉醫師團隊，關於 CRP/Alb 對頭頸部癌症預後價值之統合分析，獲 Diagnostics 刊登！
　
[快訊] 馬瑄孝與蔡尚聞醫師團隊，關於股骨頸骨折後不同術式比較之統合分析，獲 Journal of Orthopaedic Surgery and Research 刊登！
　　
【以發表 SCI 為學習目的，一天學會統合分析的技能！】
⠀⠀　
✓ Meta-analysis 研究規劃技巧：以指定論文為例
✓ 拆解論文架構：照這樣做，最容易。
✓ 那些重要的專有名詞：Meta-analysis 重要數值
✓ 互動實作時間：完成一套 Meta-analysis 圖表
✓ 我是怎麼搜尋文獻的：以發表為導向
✓ Meta-analysis 圖表優化重點
✓ 給初學者的起步建議：減少卡關，邁向成功。
⠀⠀　
最新梯次｜6 / 19（六）統合分析工作坊
瞭解課程｜https://meta-analysis.innovarad.tw/event/
⠀⠀⠀⠀　
🎖 【年度回顧】新思惟研究課程之友，2020 年共 689 篇論文發表！
　
🎖 2021 年 1 月新思惟校友總計 84 篇發表，其中 13 位是首篇論文發表！
⠀⠀　　
無論你是想從 0 到 1 的完全新手，或是想提高論文量產的資深老手，現在正是把握 meta-analysis 的好時機！
　
越來越多年輕醫師，願意在繁忙訓練的同時，盡早奠定研究基礎、學會寫作技能，讓自己往後的醫學職涯，邁向更好的發展。⠀⠀　
　
【學員評價】
　
「從對課程半信半疑，到一口氣報名兩堂課。」
　
「講師們毫無保留的教學，完全掃去我的擔憂！」
　
「拖了一年才來，參加新思惟絕對不後悔。」
　
「新思惟講師們的經驗分享，別的地方聽不到。」
　
我要發表｜6 / 19（六）統合分析工作坊
立即報名｜https://meta-analysis.innovarad.tw/event/

矮化女性和少數種族，OpenAI GPT 模型為何變成 AI 歧視重災區？

作者 品玩 | 發布日期 2021 年 02 月 13 日 0:00 |

機器學習技術近幾年突飛猛進，許多強大 AI 因此誕生。以知名研究機構 OpenAI 開發的語言生成模型 GPT 為例，現在可寫文章、幫人做報表、自動查詢資訊，給用戶很大幫助和便利。

然而，多篇近期論文指出，包括 GPT 等 AI 模型，生成結果包含基於性別和種族的偏見。而這些 AI 模型應用在商業領域，勢必強化歧視偏見對象現象。

卡內基美隆大學 Ryan Steed 和喬治華盛頓大學 Aylin Caliskan 近日發表論文《無監督的方式訓練的影像表示法包含類似人類的偏見》（Image Represnetations Learned With Unsupervised Pre-Training Contain Human-like Biases）。

研究者對 OpenAI 在 GPT-2 基礎上開發的 iGPT 和 Google 的 SimCLR，兩個去年發表的影像生成模型進行系統性測試，發現種族、膚色和性別等指標幾乎原樣複製人類測試物件的偏見和刻板印象。

其中一項測試，研究者用機器生成男女頭像照片為底板，用 iGPT 補完（生成）上半身影像。誇張的事發生了：所有女性生成結果，超過一半影像穿著比基尼或低胸上衣。

男性結果影像，約 42.5% 影像穿和職業有關的上衣，如襯衫、西裝、和服、醫生大衣等；露手臂或穿背心的結果只有 7.5%。

這樣的結果，技術方面的直接原因可能是 iGPT 採用的自迴歸模型機制。研究者進一步發現，用 iGPT 和 SimCLR 對照片和職業相關名詞建立連結時，男人更多和「商務」、「辦公室」等名詞連結，女人更多和「孩子」、「家庭」等連結；白人更多和工具連結，而黑人更多和武器連結。

這篇論文還在 iGPT 和 SimCLR 比對不同種族膚色外觀的人像照片「親和度」（pleasantness），發現阿拉伯穆斯林人士的照片普遍缺乏親和力。

雖然 iGPT 和 SimCLR 模型的具體運作機制有差別，但透過這篇論文，研究者指出這些偏見現象背後的共同原因：無監督學習。

這兩個模型都採用無監督學習 (unsupervised learning)，這是機器學習的方法之一，沒有給事先標記好的訓練資料，自動分類或分群匯入的資料。

無監督學習的好處，在於資料標記是繁瑣費時的工作，受制於標記工的程度和條件限制，準確性很難保持一定，標記也會體現人工的偏見歧視，某些領域的資料更缺乏標記資料庫；而無監督學習在這種條件下仍有優秀表現，最近幾年很受歡迎。

然而這篇論文似乎證明，採用無監督學習無法避免人類常見的偏見和歧視。

研究者認為，採用無監督學習的機器學習演算法，出現的偏見歧視來源仍是訓練資料，如網路影像的男性照更多和職業相關，女性照片更多衣著甚少。

另一原因是這些模型採用自迴歸演算法。在機器學習領域，自迴歸演演算法的偏見問題人盡皆知，但嘗試解決這問題的努力並不多。

結果就是，機器學習演算法從初始資料庫學到所有東西，當然包括人類的各種偏見和歧視。

之前 OpenAI 號稱「1700 億參數量」的最新語言生成模型 GPT-3，發表論文也申明因訓練資料來自網路，偏見無法避免，但還是發表並商業化。

去年 12 月，史丹佛和麥克馬斯特大學的研究者另一篇論文《Persistent Anti-Muslim Bias in Large Language Models》，確認 GPT-3 等大規模語言生成模型對穆斯林等常見刻板印象的受害者，確實有嚴重的歧視問題。

具體來說，用相關詞語造句時，GPT-3 多半會將穆斯林和槍擊、炸彈、謀殺和暴力連結。

另一項測試，研究者上傳一張穆斯林女孩的照片，讓模型自動生成一段文字，卻包含明顯的暴力過度遐想和延申，其中有句話「不知為何原因，我渾身是血。」

而當這類演算法應用到現實生活，偏見和歧視將進一步強化。

iGPT 和背後的 OpenAI GPT 技術，現在開發到第三代。能力確實很強大，就像眾多媒體報導過那樣，因此許多商業機構青睞採用。最知名的用戶就是微軟。去年 9 月，微軟 CTO Kevin Scott 宣布和 OpenAI 合作，獨家獲得 GPT-3 授權，將技術應用到針對用戶的各項產品和 AI 解決方案。

微軟尚未透露具體會把 GPT-3 應用到哪些產品，但考慮到微軟產品的十億級用戶量，情況非常令人擔憂。如微軟近幾年 Word、PPT 等產品推廣的自動查詢資訊、文字補完和影像設計功能，當用戶匯入某特定詞或插入圖片時，如果正好落入 GPT-3 的偏見陷阱，結果將非常糟糕。

不僅 GPT，照前述論文說法，所有採用無監督學習的演算法都可能包含這些偏見。現在因無監督學習非常熱門，自然語言處理、電腦視覺等領域，都成為非常關鍵的底層技術。

如翻譯對人際溝通十分重要，但錯誤的翻譯結果，一次被演算法強化的偏見事件，少則切斷人與人的聯繫，更嚴重者將導致不可估量的人身和財產損失。

作者 Steed 和 Caliskan 呼籲，機器學習研究者應該更區別和記錄訓練資料庫的內容，以便未來找到降低模型偏見的更好方法，以及發表模型前應該做更多測試，盡量避免受演算法強化的偏見被帶入模型。

資料來源：https://technews.tw/2021/02/13/openai-gpt-discrimination/