Kajian ini menilai ketepatan diagnostik perisian pengesanan bantuan komputer (CAD) untuk pemeriksaan tuberkulosis (TB) menggunakan X-ray dada di Uganda, menangani cabaran menentukan ambang yang sesuai untuk ujian lanjut. Lebih 52,000 individu berumur 15 tahun ke atas telah disaring, dan keputusan menunjukkan bahawa menggunakan ambang universal 0.1 untuk skor sinar-X meningkatkan sensitiviti dan kekhususan berbanding ambang yang lebih tinggi. Analisis menunjukkan bahawa stratifikasi ambang berdasarkan umur dan jantina boleh meningkatkan ketepatan, dengan sedikit peningkatan dalam sensitiviti. Penemuan menunjukkan bahawa CAD berkesan untuk pemeriksaan TB dalam individu tanpa gejala dan ambang yang diperibadikan boleh memberi manfaat dalam tetapan terhad sumber. Kajian itu menekankan kepentingan menyesuaikan strategi saringan untuk meningkatkan kadar pengesanan TB, terutamanya dalam kalangan populasi berisiko tinggi, dan menyokong penyelidikan lanjut untuk mengesahkan pendekatan ini. Makalah ini membincangkan konsep mesin unlearning, terutamanya dalam konteks model bahasa besar (LLM), memfokuskan pada cabaran untuk mengalih keluar pengetahuan khusus yang dipelajari daripada titik data tertentu atas sebab privasi. Ia mengkritik andaian umum bahawa semua titik data dilayan sama rata dalam proses unlearning, menyerlahkan bahawa ini tidak berlaku untuk LLM. Penulis menunjukkan bahawa kekerapan pengetahuan tidak dipelajari dalam data pra-latihan model mempengaruhi kejayaan proses tidak belajar, dengan pengetahuan yang lebih kerap menjadi lebih sukar untuk dialih keluar. Tambahan pula, mereka mendedahkan ketidakselarasan antara kebarangkalian dan penilaian berasaskan penjanaan untuk tidak belajar, yang memburukkan lagi apabila saiz model meningkat. Penemuan ini menekankan keperluan untuk kaedah penilaian yang lebih baik dan teknik unlearning inovatif yang mempertimbangkan data latihan model. Model bahasa besar (LLM) telah muncul sebagai teknologi penting dalam produk pengguna AI, berfungsi sebagai komponen penting dalam enjin carian, chatbots dan pembantu penulisan, sambil bertindak sebagai penjaga pintu maklumat. Penyelidikan terkini telah menyerlahkan bukan sahaja ketepatan fakta mereka tetapi juga kebolehpercayaan mereka yang lebih luas, termasuk aspek seperti keselamatan, keadilan dan etika. Badan kajian yang semakin berkembang telah meneroka kecenderungan politik dan ideologi yang tertanam dalam LLM, yang mungkin mencerminkan kepercayaan pencipta mereka melalui pilihan yang dibuat semasa proses reka bentuk, termasuk seni bina model dan pemilihan data latihan. Kertas kerja ini menyiasat kepelbagaian ideologi di kalangan LLM popular tanpa membuat pertimbangan tentang neutraliti atau berat sebelah mereka. Ia menekankan bahawa menimbulkan kedudukan ideologi LLM adalah mencabar, kerana kajian terdahulu sering bergantung pada penyoalan langsung, yang boleh membawa kepada keputusan yang tidak konsisten. Sebaliknya, penyelidikan ini menggunakan metodologi yang menangkap kedudukan ideologi melalui penerangan yang dihasilkan oleh LLM mengenai tokoh yang berkaitan dengan politik, diikuti dengan penilaian sentimen terhadap angka ini. Kajian itu menggunakan set data pelbagai orang politik dan menganalisis respons merentas bahasa dan wilayah yang berbeza, mendedahkan bahawa kedudukan ideologi berbeza dengan ketara berdasarkan bahasa yang mendorong dan konteks geopolitik penciptaan LLM. Penemuan menunjukkan bahawa LLM mencerminkan ideologi pencipta mereka dan pendekatan pengawalseliaan harus menumpukan pada ketelusan dan bukannya menguatkuasakan neutraliti. Kajian itu menyerlahkan keperluan untuk kesedaran mengenai implikasi ideologi pemilihan LLM dan menyokong pembangunan pelbagai LLM yang memenuhi konteks budaya dan ideologi tempatan.
