本文提供了一个适用于企业的机器学习模型生命周期管理成熟度框架，旨在解决为 AI 应用定义业务用例、将业务需求转化为数据科学家的数据需求、连续提高 AI 应用程序的准确度和公平性，以及专门针对特定情况定制通用机器学习模型等方面的问题。该框架重新解释了软件能力成熟度模型，并提出了许多最佳实践，可以帮助企业在不考虑其起点的情况下实现更高的成熟度水平。

Nov, 2018

本文提出了 AI 素养的理论框架并提出了一种多层次能力模型，它可作为 AI 教育的实用工具，需要一些基于能力的测评，还提出了一个 AI 素养研究的路线图。

Aug, 2021

本文旨在揭示人工智能与概念建模 (CM) 交叉领域的结构、互相获益的方面以及未来的研究方向。虽然 CM 能够产生明确的知识表示，但人工智能算法的结果常常缺乏这些品质，同时又能从大量和未结构化的表示中提取知识。

Mar, 2023

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

AI 系统的效率取决于其与给定任务的特定要求的一致性；然而，任务的固有复杂性常常引入潜在的有害影响或不良行为。本研究探讨了 AI 系统中关键的能力概念，即系统应该提供的功能；该概念的表达包括明确定义的结果，但实现这一能力可能会受到实施和测试不足的影响，反映了系统能力与其成功执行的能力之间的差距。探索 AI 系统有效执行任务的能力存在一项核心挑战，这一挑战尚处于初级阶段，有时表现为表示成功概率的置信区间。对于 AI 系统的能力的明确建模和详细规范是建立对其的信任的关键，它与系统的能力密切相关。本研究提出了一个框架，来说明 AI 系统的能力。受到类似 “Glass Door problem” 这样的实际场景的启发，其中一个人由于能力上的失败而无意间遇到玻璃障碍物，本研究强调了深入研究能力动态的重要性。通过详细层面上弥合能力与功能之间的差距，本研究促进了增强 AI 系统在现实应用中可靠性的讨论。

Nov, 2023

本文提出了一种能够有效描述黑盒决策系统能力的主动学习方法，并证明了该方法的收敛性和少许示例的普适性。

Jun, 2023

介绍了通过执行全面的 AI 生命周期治理来降低人工智能风险的最佳方法，定量评估现有模型的风险可以类比于如何评估已经建造的房屋的能源效率或医生根据一系列测试评估整体患者健康状况，本文探讨了这一思路，并讨论了这种方法如何改善 AI 的监管。

Sep, 2022

在本文中，我们利用大语言模型（LLMs）的能力作为运行示例，借鉴能力的大量哲学文献，发展了一个能有效应用于模型评估的机器学习模型能力的条件分析（CAMA）的核心提案，在机器学习的背景下对 CAMA 进行了精确定义，从而实现了适用于 LLMs 的 CAMA 操作。然后，我们运用 CAMA，展示它能够有助于理解机器学习模型评估实践的各种特征，并提出了进行公正的模型间比较的程序。

May, 2024

提出了一个新的统一维度的概念模型，围绕着机构、交互和调适三个高层面展开，通过文献调查和半结构化访谈的方法逐步完善和验证。最后，利用这个设计空间对选定的人工智能系统进行结构化描述。

Apr, 2024

本文提出了一种在人性化设计和敏捷开发中建立和维护信任的理论框架，它强调了商业技术的协同创新过程。框架的目的是通过让所有利益相关者参与到项目中来，将人工智能技术与人们一起设计、开发和部署，以创新和改进业务。以医院规划助理为例，展示了该框架在实际应用中的效果。

Sep, 2022