ETIKA DAN BIAS DALAM LLM: TANGGUNG JAWAB SOSIAL ATAS KECERDASAN BUATAN GENERATIF
DOI:
https://doi.org/10.52072/unitek.v18i1.1386Kata Kunci:
Large Language Models, bias, etika, tanggung jawab sosial, narrative literature review.Abstrak
Large Language Models (LLM) sebagai bagian dari kecerdasan buatan generatif telah membawa lompatan besar dalam pemrosesan bahasa alami. Namun, sejumlah studi menunjukkan bahwa LLM tidak bebas dari bias dan potensi diskriminasi, baik dalam data pelatihan maupun desain modelnya. Penelitian ini bertujuan untuk menganalisis persoalan etika dan tanggung jawab sosial dalam pengembangan dan penerapan LLM, dengan fokus pada isu bias dan dampaknya terhadap keadilan sosial. Metode yang digunakan adalah narrative literature review terhadap literatur akademik, laporan kebijakan, dan dokumen industri yang relevan. Hasil kajian menunjukkan bahwa bias dalam LLM bersifat sistemik dan multidimensional, serta belum diimbangi oleh mekanisme tata kelola yang memadai. Penelitian ini merekomendasikan transparansi, audit etis, pelibatan multistakeholder, dan pendekatan riset partisipatif sebagai strategi mitigasi. Dengan demikian, pengembangan LLM ke depan harus berpijak tidak hanya pada efisiensi teknologis, tetapi juga pada prinsip keadilan, akuntabilitas, dan inklusivitas.
Kata kunci: Large Language Models, bias, etika, tanggung jawab sosial, narrative literature review.
Unduhan
Referensi
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? FAccT 2021 - Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. NAACL HLT 2019 - 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies - Proceedings of the Conference, 1(Mlm), 4171–4186.
Floridi, L., & Cowls, J. (2022). A unified framework of five principles for AI in society. Machine Learning and the City: Applications in Architecture and Urban Design, July, 535–545. https://doi.org/10.1002/9781119815075.ch45
Jasanoff, S. (2004). States of knowledge: The co-production of science and the social order. In States of Knowledge: The Co-Production of Science and the Social Order. https://doi.org/10.4324/9780203413845
Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. FAT* 2019 - Proceedings of the 2019 Conference on Fairness, Accountability, and Transparency, Figure 2, 220–229. https://doi.org/10.1145/3287560.3287596
Sari, F., & Mahmud, S. F. (2024). Implementasi Metode Preference Selection Index Dalam Memilih Media Pembelajaran Matematika Barbasis Artificial Intelligence. Jurnal Unitek, 17(1), 141–151. https://doi.org/10.52072/unitek.v17i1.869
Stilgoe, J., Owen, R., & Macnaghten, P. (2013). Developing a framework for responsible innovation. Research Policy, 42(9), 1568–1580. https://doi.org/10.1016/j.respol.2013.05.008
