本文通过对 2020 年 NeurIPS 会议发表的关于算法系统负面影响的声明进行定性主题分析，归纳提取出如何表达影响、影响领域和如何减轻负面影响等主题，旨在对 NeurIPS 会议更好地考虑潜在影响提出建议。

May, 2021

通过基于塞恩和纳斯鲍姆的能力途径的框架，我们形成了一个道德概念和权益的网络，目的是让 AI 系统对利益相关者产生有意义的益处或帮助，从而提升他们推进生活计划和福祉的能力，同时维护他们的基本权利。我们表征了 AI 系统和其运作所影响的人之间道德可容许互动的两个必要条件，以及实现有意义益处理想的两个充分条件。同时，我们将这一理想与几种突出的故障模式进行对比，即构成不合理家长式主义、强制、欺骗、剥削和支配的社会互动形式。AI 在高风险领域中的事件增加凸显了这些问题的重要性，也迫使我们从一开始就采取伦理导向的方法来应对 AI 系统。

Aug, 2023

讨论机器学习与人工智能技术对社会潜在影响的一个问题：机器学习系统中的意外事故风险和如何抵御。我们提出了五个与事故风险相关的实际研究问题，涉及到错误的目标函数、过于昂贵的监督、安全探索和分布变化等方面。最后，思考了如何更具生产力地思考人工智能前瞻性应用的安全问题。

Jun, 2016

该研究提出了分类 AI 系统以解决其引发的不同类型的社会危害，同时呼吁政府逐步适应现有法规以适应 AI 的创新发展。

Mar, 2023

AI 系统的功能性是一个重要的挑战，在保护受影响的社区免受算法伤害方面发挥着必要的第一步作用。本文通过对一组案例进行分析，提出一套已知 AI 功能性问题的分类法，并指出通常被忽视的政策和组织反应，一旦功能性被集中关注将更易获取。

Jun, 2022

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

人工智能创新主要关注 “what” 和 “how” 问题，忽视可能的危害与社会背景，导致了潜在的社会技术问题，因此我们需要计算机科学和社会学科之间更紧密的联系。

Dec, 2020

人工智能（AI）系统将越来越常被用于造成伤害，为了防止对 AI 的一些错误使用，本文提出了一种减少 AI 误用的干预分类法，重点在于对于误用所需的特定步骤（误用链）进行干预以及确定是否需要此干预。

Mar, 2023

在 AI-as-a-Service（AIaaS）背景下，我们对社会伤害的研究现状进行批判性总结，重点关注其影响，并提出开放性研究问题，以定义未来的研究方向。

Mar, 2024

AI 安全的概念在社会中日益普及，AI 社区越来越关注 AI Safety 的概念，即防止在 AI 部署过程中系统行为意外偏离设计意图而导致的故障。通过分析真实案例，我们展示了当前的词汇虽然能够涵盖 AI 部署中遇到的一系列问题，但仍需要一个扩展的社会技术框架来更好地理解 AI 系统和实施的安全机制在现实生活中的成功与失败。

Dec, 2023