在当前人工智能时代，本研究讨论了负责任的机器学习数据集的重要性，并提出了一个评估数据集的负责任框架。通过公平性、隐私保护和合规性等方面的考虑，我们分析了超过 100 个数据集，发现没有一个数据集能免于公平性、隐私保护和合规性问题。我们对数据集的文档化提供了改进建议，并认为在全球范围内的数据保护法规定下，科学界的数据集创建方法需要修订。

Oct, 2023

本研究提供了一个关于如何结构化学习过程以更好地向机器学习领域的学生和研究人员传授知识的教学观点，包括何时以及如何实现各种可解释性技术以及如何解释其结果。同时，讨论了利用各种不透明和透明的机器学习模型，以及何时利用特定的可解释性技术和用于可解释性工具的各种框架的优缺点。最终，作者还提出了结构潜在任务以最好地帮助学生学习如何将解释性作为给定机器学习应用的工具的方式。

Feb, 2022

本文研究了数据学习环境中机械化应用规则与情境性抉择之间的关系，阐述了数据视力的重要性并讨论了其对数据分析学习、研究和实践的作用。

Feb, 2020

提出了一个框架，将信息安全领域和安全开发生命周期的概念应用到人工智能系统的开发中，以解决公正度、可解释性和科技伦理等方面的问题。

Mar, 2022

通过与 ML 软件从业人员、教育者和学生进行合作设计，本研究发现利益相关者基于其领域和程序知识对数据进行情境化，积极设计数据要求以减少下游危害和数据可靠性问题，并展现了基于角色的合作策略和贡献模式。此外，研究发现，ML 中有意义的利益相关者参与需要结构化支持：连续反复迭代和共同评估的定义流程，共享的情境数据质量标准，以及旨在帮助技术和非技术利益相关者跨越专业边界的信息支架。

Nov, 2023

本研究提出了一个名为 TAPS-RM 的框架，该框架可以通过社会、法律和伦理的视角探索数据科学项目的方方面面，并明确参与者的责任。TAPS-RM 是推动负责任的数据科学的设计的工具。

Feb, 2023

本文提出了一个包含新的负责的 AI 设计模式的全面框架，以将 RDPs 整合到 ML 管道中，以减轻 AI 可能存在的风险和危害，以确保 AI 系统的道德发展。

May, 2023

通过严格的数据集开发透明度框架，从软件开发生命周期中提取最佳实践，以决策和问责支持来关闭人工智能系统中的问责差距。

Oct, 2020

这篇论文探讨了人工智能等技术在决策敏感的应用中，遵循数据隐私、可解释性、鲁棒性、推理等原则，同时着重探讨在结构化数据的应用方面如何设计可靠的方法来确定和使用相关变量进行决策。

Oct, 2022

本文提出了数据卡片 (Data Cards) 的概念以促进人性化的大规模模型开发过程中透明、有目的性和人性化的数据记录方法，数据卡片是必要的用户文档，提供关于机器学习数据各个方面的基本事实的结构化总结。本文描述了将数据卡片落实到实际应用的多种框架，并通过两个案例研究报告了支持领域、组织结构和观众群体的可采用特性，最后总结了 20 个数据卡片的部署经验。

Apr, 2022