通过大规模的混合研究方法分析在自然语言处理（NLP）和机器学习（ML）领域中，使用 “民主化” 关键词的论文，我们发现民主化最常用于表达对技术的（易用性）访问或使用，但并未深入涉及民主化理论。然而，使用其他 “民主化” 概念的研究则基于理论的辩证和辩论。基于我们的研究结果，我们呼吁研究者们丰富对民主化这一术语的使用，以实现超越表面访问的民主技术。

Jun, 2024

本文综述了 AI/ML 管道内的参与方法和做法，在介绍三个案例的同时探讨了参与 AI 的局限性和担忧，讨论了参与活动的主要受益者和参与在设计，开发和部署中的作用。

Sep, 2022

以非专家的公众参与为基础，通过收集使用案例、评估风险、揭示 AI 发展的张力等方式，引入了 Particip-AI 框架以实现对 AI 的民主治理和风险评估，研究发现参与者的回应强调了个人生活和社会应用，显示了多样化的危害与专家评估的互补价值，还发现不发展使用案例的感知影响了参与者是否认为 AI 使用案例应该开发，并凸显了普通用户对技术解决主义的担忧。

Mar, 2024

通过使用参与式人工智能的合作设计原则，聚焦于年轻参与者的视角，解决制度上的权力动态的难点，以实现推广的梦想和相关人士的渴望，从而在技术的设计过程中发挥作用。

Nov, 2022

为确保人工智能系统具备有效治理所需的合法性，本文提出了 “公众宪政人工智能” 方法，通过多元利益相关者参与制定人工智能发展的原则，形成 “人工智能宪法”，以实现人工智能治理与公众意愿的真正民主合法性，并建立 “人工智能法庭” 以发展 “人工智能判例法”，为在人工智能培训中落实宪政原则提供具体示例。该方法旨在通过民主审议过程来确立人工智能治理的基础，使自动化机构具备真正的民主合法性，应对不断增强的人工智能系统所带来的独特挑战，并确保其与公共利益保持一致。

Jun, 2024

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

通过比较几个热门的 AI 即服务平台并确定实现人工智能真正民主化的关键要求，本文提出了一种新的方法，即 “开放空间机器学习” 平台，它基于 Kubernetes、Kubeflow Pipelines 和 Ludwig 等先进技术，解决了民主化 AI 的挑战，并比现有的 AI 即服务平台更全面和有效。

Nov, 2023

人工智能可以增强政党内民主流程的测量与实施，通过特定的数据管理和机器学习技术，可以改善政党内民主的测量和实践，但也存在着数据隐私、操纵潜力和过度依赖技术的风险。

Apr, 2024

本研究通过对 57 个顶级计算机科学会议的 171394 篇论文的研究发现，自 2012 年深度学习的出现以来，大型技术公司和精英大学已经增加了在主要人工智能会议上的参与度。然后，本文通过实证证明大型公司和非精英大学之间的分歧由于计算能力或计算机设备的缺乏，这使得机器学习技术的发展在民主化方面面临阻碍和公平性问题，从而强调了民主知识生产缺乏对专业设备的访问。

Oct, 2020

本文在社会科学与技术学科之间使用概念映射方法建立了三种不同的语义域 (a) 操作域，(b) 认识域，(c) 规范域，并引入了研究 AI 系统的三个新概念：操作适应性、认识完整性和规范重要性来研究 AI 在政府中的应用，并将其作为政府 AI 概念分类法的维度之一，为推动跨学科对话和促进公共行政重塑提供帮助。

Oct, 2022