TAPS 责任矩阵:一种用于负责任的数据科学设计的工具
本文旨在探讨如何平衡代码和文本、评论和解决方案,以及理论研究和实际可操作性,提出了一个名为 “基于解释的对象” 的概念,并将其与越来越受欢迎的 “营养标签” 工具联系起来,以提高可解释性和透明度。该方法可用于培养研究生和高级本科生的道德、技术和计算机伦理教育。
Dec, 2019
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
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
该研究提出一个潜在的负责任数据(重新使用)清单,旨在标准化会议提交的同行评审,并促进社区内发布研究的更深入视角,从而为数据(重新使用)的一致标准的制定做出贡献。
Sep, 2021
介绍了一种无代码、机器可读的开放数据集文档框架,关注负责任的人工智能考虑。旨在提高开放数据集的可访问性、可理解性和可用性,促进更容易发现和使用、更好理解内容和背景以及评估数据集的质量和准确性。该框架旨在简化数据集评估,帮助研究人员、数据科学家和其他开放数据用户快速识别满足其需求和 / 或组织政策或法规的数据集。论文还讨论了该框架的实施,并提供了最大化其潜力的建议。预期该框架将提高研究和决策中使用的数据的质量和可靠性,促进更负责任和值得信赖的人工智能系统的发展。
Dec, 2023
本文旨在通过建立基于问责制的分类法,探讨由人工智能产生的可能导致人类社会范围内灭绝的风险类型,其中包括许多未被预见的风险,并提供技术和政策上的解决方案。
Jun, 2023