Uafhængig vurdering bekræfter høj nøjagtighed

Hos Gender-API tager vi nøjagtigheden af vores service seriøst. For nylig blev en uafhængig vurdering gennemført for at validere pålideligheden af vores service i at bestemme køn ud fra fornavne. Resultaterne var opmuntrende, hvilket viser vores API's præcision og effektivitet i at håndtere forskellige navne på tværs af flere lande.

Undersøgelsesoversigt

En valideringsundersøgelse udført af Jim Hagberg fra University of Maryland for at evaluere fejlprocenten i vores kønsidentifikationstjeneste sammenlignet med manuelt verificerede online kilder. Undersøgelsen analyserede fornavne, udtrukket fra forskningsartikler offentliggjort i tre videnskabelige tidsskrifter:

• Journal of Applied Physiology
• Medicin og Videnskab i Sport og Medicin
• International Journal of Sports Medicine

Analysen omfattede 500 fornavne, der ikke var kønsorienterede og var ukendte for forskeren. Disse navne blev bekræftet ved hjælp af onlinesøgninger efter billeder eller kønsspecifikke pronomener relateret til forfatterne.

Metoder til Køn Identifikation

Undersøgelsen brugte tre uafhængige metoder til at identificere køn:

• Traditionel navnegenkendelse er baseret på bredt accepterede kønsspecifikke navne.
• Personlig viden om individets køn af forskeren.
• Gender-API udnytter AI og en database med over 6 millioner navne fra 190 lande til at forudsige køn.

Nøglefund

• Ud af 500 navne havde 11 (2,2%) ingen resultater i Gender-API databasen.
• Af de resterende 488 navne blev 435 (89,1%) korrekt identificeret med mindst 80% sikkerhed.
• 392 navne (80,3%) blev korrekt identificeret med over 90% sikkerhed.
• 359 navne (73,5%) blev korrekt identificeret med over 95% sikkerhed.
• 282 navne (57,8%) blev korrekt identificeret med over 98% sikkerhed.

Den gennemsnitlige tillidsniveau på tværs af alle forudsigelser var 94% ± 13%. Dette viser en høj grad af pålidelighed, selv for mindre almindelige navne.

Fejlprocentanalyse

I alt 22 navne (4,5 %) viste uoverensstemmelser mellem Gender-API-forudsigelser og online-validering. Men når der anvendes en tillidstærskel på 80 %, faldt fejlagtige klassifikationer til blot syv navne (1,4 %).

Konklusion

Denne uafhængige valideringsstudie bekræfter, at Gender-API er et yderst pålideligt værktøj til kønsidentifikation. Med en lav fejlagtig klassificeringsrate på kun 1,4 % ved brug af en 80 % tillidsgrænse, leverer vores API præcis og skalerbar kønsklassifikation baseret på fornavne.

Hent valideringsrapporten her som PDF.

Gender-API er et troværdigt valg for forskere, virksomheder og analytikere, der leder efter en dokumenteret, datadrevet løsning til kønsidentifikation.