Added additional guidance on demo BDT EN NL

Author: jfparie

notebooks/CART_LawSchoolAdmissionBar.ipynb

@@ -3,7 +3,7 @@
         <meta charset="UTF-8" />
         <link rel="icon" href="/favicon.ico" type="image/x-icon" />
         <meta name="viewport" content="width=device-width, initial-scale=1.0" />
-        <title>Algorithm Audit Bias Detection</title>
+        <title>Unsupervised bias detection tool Algorithm Audit</title>
         <meta http-equiv="CACHE-CONTROL" content="NO-CACHE" />
         <meta http-equiv="PRAGMA" content="NO-CACHE" />
         <link

src/bias-detection.html

@@ -3,7 +3,7 @@
         <meta charset="UTF-8" />
         <link rel="icon" href="/favicon.ico" type="image/x-icon" />
         <meta name="viewport" content="width=device-width, initial-scale=1.0" />
-        <title>Algorithm Audit Tools</title>
+        <title>Open source AI auditing tools Algorithm Audit</title>
         <meta http-equiv="CACHE-CONTROL" content="NO-CACHE" />
         <meta http-equiv="PRAGMA" content="NO-CACHE" />
         <link

src/index.html

@@ -114,11 +114,11 @@
 
     "biasAnalysis": {
         "demo": {
-            "heading": "Information about demo dataset",
-            "description": "A demo dataset is loaded below. Based on features of tweets, from the dataset [Twitter15], a BERT-based classifier has predicted whether a tweet is fake news or not. False positive classifications are marker in the FP column and will be used as a performance metric is this use case."
+            "heading": "Information about demo dataset", 
+            "description": "As a demo, the [Twitter15](https://www.dropbox.com/scl/fi/flgahafqckxtup2s9eez8/rumdetect2017.zip?dl=0&e=1&file_subpath=%2Frumor_detection_acl2017%2Ftwitter15&rlkey=b7v86v3q1dpvcutxqk0xi7oej) dataset is loaded below. The dataset contains features of tweets and the prediction of a BERT-based misinformation classifier whether the tweet is fake news or not. False positive classifications are marked as FP. The FP column indicates that a tweet is falsy accused by the misinformation detection algorithm to be fake news. The FP metric will be used as a performance metric to measure bias is this use case.\n  \n  \n\n In this example, we will examine what type of tweets are more/less often classified by misinformation detection algorithm as fake news."
         },
         "parameters": {
-            "heading": "Parameters selected",
+            "heading": "Parameters selected for clustering",
             "iterations": "Number of iterations: {{value}}",
             "minClusterSize": "Minimal cluster size: {{value}}",
             "performanceMetric": "Performance metric column: {{value}}",

src/locales/en.json

@@ -113,7 +113,7 @@
     "biasAnalysis": {
         "demo": {
             "heading": "Informatie over de demodataset",
-            "description": "Een demodataset is hieronder geladen. Op basis van kenmerken van tweets, uit de dataset [Twitter15], heeft een op BERT-gebaseerde classifier voorspeld of een bericht nepnieuws is of niet. Fout-positieve classificaties zijn gemarkeerd in de FP-kolom en zullen in dit voorbeeld worden gebruikt als prestatiemetriek."
+            "description": "Als demo wordt de [Twitter15](https://www.dropbox.com/scl/fi/flgahafqckxtup2s9eez8/rumdetect2017.zip?dl=0&e=1&file_subpath=%2Frumor_detection_acl2017%2Ftwitter15&rlkey=b7v86v3q1dpvcutxqk0xi7oej) dataset hieronder geladen. De dataset bevat kenmerken van tweets en de voorspelling van een BERT-gebaseerd misinformatie detectie algoritme of een tweet nepnieuws is of niet. Fout-positieve classificaties zijn gemarkeerd als FP. Een FP geeft aan dat tweet ten onrechte door het misinformatie algoritme zijn geclassificeerd als nepnieuws. De FP-metriek wordt in dit voorbeeld gebruikt als metriek om bias te meten. \n  \n  \n\n In dit voorbeeld onderzoeken we welk type tweets vaker/minder vaak door het misinformatie algoritme worden geclassificeerd als nepnieuws.""
         },
         "parameters": {
             "heading": "Geselecteerde parameters",

src/locales/nl.json

@@ -3,7 +3,7 @@
         <meta charset="UTF-8" />
         <link rel="icon" href="/favicon.ico" type="image/x-icon" />
         <meta name="viewport" content="width=device-width, initial-scale=1.0" />
-        <title>Algorithm Audit Synthetic Data Generaton</title>
+        <title>Synthetic data generaton tool Algorithm Audit</title>
         <meta http-equiv="CACHE-CONTROL" content="NO-CACHE" />
         <meta http-equiv="PRAGMA" content="NO-CACHE" />
     </head>