社会公益的机制设计
AI Economist框架结合两级强化学习和数据驱动的模拟，可用于优化政策设计，经实验证明该框架在COVID-19时期的政策制定中能够显著提高社会福利。
Aug, 2021
该论文介绍了 AI 技术在资源分配方面的应用，讨论了如何在政治哲学的指导下设计这些系统的目标，以实现公平、效率、激励兼容性和利益相关者偏好的满意聚合，并探讨了数据万物互连时代下，算法可预测未来为我们带来的机遇和风险。
Nov, 2021
通过 Democratic AI 方法，使用强化学习算法在参与者中探讨和设计社交机制来解决人工智能与人类价值观的对齐问题，有效缓解了财富分配不均，制止了搭便车行为并成功地赢得了大众的信任和认可。
Jan, 2022
该研究提出了一个灵感来自机器学习公平度量的公平性评估框架，可以应用于评估历史政策的公平性质，以及在设计新的（反事实）分配策略时加入约束，其工作总结指出：优先考虑弱势群体的政策通常会导致不同群体之间的不公平性结果，而同时考虑基线风险、治疗效果和群体身份的政策是可能是最公平的。
Dec, 2022
该论文介绍了 NLP4SGPAPERS 数据集及其三项关联任务，即识别解决社会问题的论文、映射至联合国可持续发展目标、识别解决任务和使用方法，并使用最先进的 NLP 模型分别处理这些任务，帮助研究人员全面了解 NLP4SG 领域。
May, 2023
我们提出了一个“数据科学为社会福祉”（DSSG）研究框架，考虑了相关数据科学研究流派、社会福祉挑战和不同层次的社会技术抽象之间的相互作用，并通过文献分析实证证明了在信息系统（及其他相关学科）中关于DSSG的工作缺乏，并强调当前的阻碍因素。我们希望本文和专题论坛能够激发未来的DSSG研究，并帮助扭转过去30多年来数据科学研究中社会福祉挑战获得比例逐渐减少的令人担忧趋势。
Nov, 2023
人工智能能够改善政府和经济政策制定，这篇论文提出了一种新的研究议程，介绍了社会环境设计，这是一个将人工智能与强化学习、计算社会选择等领域相连接的自动化政策制定的通用框架。该框架旨在捕捉一般经济环境，包括对政策目标的投票，并为通过人工智能模拟对政府和经济政策进行系统分析给出方向。我们强调了人工智能政策制定领域未来研究的关键问题，通过解决这些挑战，希望实现各种社会福利目标，促进更具道德和负责任的决策制定。
Feb, 2024
本研究针对多代理系统中理性玩家的自私行为导致的低效问题进行了探讨，特别是理性代理避开免费的游戏信息所造成的更糟糕的社会结果。研究表明，通过数据驱动的方法设计补贴可以有效缓解这些问题，并能在重复游戏中学习出良好的补贴值，促进系统绩效的提升。
Sep, 2024