介绍了一套实用、简单、可衡量的 FAIR 准则，用于 AI 模型的数据管理和保存；展示了一个领域无关的计算框架，其中包含了 Advanced Photon Source、Materials Data Facility、Data and Learning Hub for Science、funcX 和 Argonne Leadership Computing Facility (ALCF) 等元素，以期在 AI 驱动的自主发现方面发挥作用。

Jul, 2022

AI Fairness 领域存在多种理解和多样化的公平概念，对此，本文提出了一种基于上下文和以社会为中心的方法来帮助项目团队更好地识别、减轻和处理人工智能项目流程中出现的不公平偏见和歧视，并讨论了如何通过自我评估、风险管理和公平准则的文档化来实现 AI 公平原则。

Feb, 2024

大型语言模型（LLMs）中的进展凸显了道德实践和数据完整性的必要性。我们介绍了一个将 FAIR（可发现、可访问、可互操作、可重用）数据原则嵌入到 LLM 训练中的框架。这种方法标志着向符合 FAIR 标准的实践的转变。我们的框架提出了将 FAIR 数据原则整合到 LLM 训练中的指导方针。这一倡议包括研究人员和开发人员的检查清单。我们还通过一个案例研究展示了其实际应用，重点是在符合 FAIR 原则的数据集中识别和减轻偏见。这项工作是对人工智能伦理和数据科学的重要贡献，倡导在 LLMs 中采用平衡和道德的培训方法。

Jan, 2024

本文总结和评估了追求人工智能系统公正性的各种方法和技术，提出了定义、衡量和预防人工智能偏见的实用指南，并针对评估人工智能系统偏见的一些简单但常见方法提出了更为复杂和有效的替代方案。此外它还提供了一个共同的语言来解决领域内普遍存在的争议和混乱。它描述了涉及人工智能公正性的各种权衡，并提供了实用建议来平衡这些权衡。本文提供了关于人工智能从业者、组织领导、政策制定者的讨论和指南，以及为技术观众提供更多相关资料的链接。通过举例清晰阐述了本文中所提到的概念、挑战和建议。

Jul, 2022

通过引入新的原则并与环境影响和同意相关，本文在探讨为进行公平、道德和可持续的 AI 研究而提出的交叉女权主义原则的基础上，阐述了女权主义对 AI 研究的重要性，并旨在解决 AI 研究中不平等、非民主、剥削和排斥力量，预防不安全、歧视或压迫性系统释放到世界上产生可预测的危害，并激发创造性、快乐和集体的方式，致力于建立一个更具公平、可持续的世界，让我们所有人都能蓬勃发展。

May, 2024

人工智能的普遍存在和多样性需要在其设计中考虑到公平、信任和透明性的多样性和包容性原则，然而，这些考虑往往被忽视，导致偏见、歧视和不可信任的问题。本研究通过系统回顾挖掘了与人工智能中的多样性和包容性相关的挑战和解决方案，研究结果包括 55 个关于多样性和包容性的独特挑战和 33 个解决方案，以及 24 个关于使用人工智能来增强这些实践的独特挑战和 23 个解决方案。该研究将帮助研究人员和从业者更好地理解这些问题，并在未来的人工智能系统中融入这些原则。

Jul, 2023

AI 实践者对 AI/ML 的公平性的理解、挑战、后果和策略以及进一步研究领域的识别，为确保 AI/ML 的公平性提供了宝贵的真实世界视角。

Mar, 2024

本文提倡将多样性作为核心优先事项，以实现算法公平所追求的不歧视和公正目标，并为计算机科学的从业人员提供具体的多样性措施建议，以增加多样性，并提高算法公平的实践水平。

Feb, 2020

提出了一种基于 FAIR 原则的数据管理工具架构和实现，通过两个案例展示了如何利用这些工具提高基于机器学习的科学研究的质量。

Jun, 2024

研究表明，围绕着五个伦理原则（透明度、正义与公平、非恶意行为、责任和隐私），出现了全球一致性的道德人工智能共识，提出了相关的指导原则和技术标准，同时应该充分融合伦理分析和实施策略的努力。

Jun, 2019