通过研究高度引用的机器学习论文，本文发现只有少数论文能够说明其与社会需要的联系，而且更少讨论负面潜力。同时，本文还发现，机器学习研究中经常突出强调的几个价值观，如性能、泛化、量化证据、效率、建立在过去的工作基础之上和创新性等，往往在支持权力集中方面存在着假设和影响。最后，作者发现高度引用的论文越来越多地与科技公司和精英大学有着紧密的联系。

Jun, 2021

本研究利用文化感知的机器学习模型，基于新数据收集，预测 COVID-19 疫苗接种意愿，并使用 PGM 和 SHAP 等高级 AI 解释器分析最重要的特征，揭示影响疫苗接种决策的关键因素，发现文化特征、谣言和政治归属与疫苗拒绝有关。

Apr, 2023

通过科学哲学的视角分析机器学习学科，开发一个概念框架以评估机器学习模型发展的过程，并探讨价值观如何影响该学科的发展和模型类型的崛起。我们认为模型类型的崛起是自我强化的，并且模型类型的评估会编码社会和政治价值观，例如围绕计算和数据密集型环境的评估方式关注权力集中、隐私和环境保护等价值观。因此，需要考虑纪律层面的干预以应对与学科整体相关的不良价值观。

Dec, 2019

本研究旨在探索使用机器学习和数据挖掘技术解决收入不平等问题。使用 UCI 成年人数据集进行分类，并采用 Gradient Boosting 分类器模型，最终达到了 88.16％的准确率，打破了现有工作的基准准确率。

Oct, 2018

该研究利用卫星图像和在线群众采集与社交媒体数据，运用机器学习方法，建立了可预测多个具有地理聚集特征的人口聚居地财富平均数和标准差的模型，并在塞拉利昂和乌干达进行了验证和性能比较，揭示元数据对农村区域财富预测有更好的表现。该方法不仅能恢复本地财富的平均数和变异性，还能捕捉它们之间的正相关性，具有一定的可迁移性和可解释性。

Feb, 2023

该研究分析了七个不同国家、三种语言的青年社交网络数据，利用机器学习和自然语言处理技术，采用文本分类器进行情感分析，发现青年参与可持续发展议程的观点和态度，并发现了不同年龄、性别和种族之间的偏见和差异。结果表明，理解孩子和青年的兴趣、作用和观点有助于实现 2030 年议程目标。

Nov, 2022

该研究提出一个新的基于机器学习的声誉系统，通过消费者个人资料的预测信誉度来计算产品声誉分数，该模型已在三个基准数据集上进行了评估，并与先前发布的评级聚合模型进行了比较。研究结果表明该方法可能是解决声誉系统问题的潜在解决方案，同时可与在线推荐系统集成以提供更好的购买建议。

Sep, 2022

本文对随机森林进行了深入分析，重点讨论了其学习能力、内部运作和可解释性。本文的贡献在于通过理论分析，证明了随机森林的变量重要性可解释性，从而揭示了随机森林在数据分析和机器学习中的应用潜力。

Jul, 2014

探索机器学习算法和方法在个体金融成功中所发挥的各种社会经济因素，以理解和揭示影响金融成功的真正决定因素，其中包括最高学历、职业、性别、年工作小时、年龄和工作资历等。

May, 2024

本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

Oct, 2022