Nov, 2023

坐在桌子旁够了吗？在教育机器学习中，让教师和学生参与数据集规范

PDF
TL;DR通过与 ML 软件从业人员、教育者和学生进行合作设计，本研究发现利益相关者基于其领域和程序知识对数据进行情境化，积极设计数据要求以减少下游危害和数据可靠性问题，并展现了基于角色的合作策略和贡献模式。此外，研究发现，ML 中有意义的利益相关者参与需要结构化支持：连续反复迭代和共同评估的定义流程，共享的情境数据质量标准，以及旨在帮助技术和非技术利益相关者跨越专业边界的信息支架。
ml in educationfairnessaccountabilitytransparencycollaborative process
发现论文，激发创造
  • 机器学习数据集的问责性：源于软件工程和基础设施的实践

    通过严格的数据集开发透明度框架，从软件开发生命周期中提取最佳实践，以决策和问责支持来关闭人工智能系统中的问责差距。

    Oct, 2020

  • 机器学习从业者数据文档化的认知、需求、挑战与需求

    通过对 14 位机器学习从业者的半结构化访谈，发现目前数据文档化方法在性质上往往是临时性和目光短浅的，因此需要一种适应他们的上下文、与他们现有的工具和工作流程相结合、并在可能的情况下自动完成的数据文档化框架的设计要求，以解决现有文档化方法无法满足其需求的问题。

    Jun, 2022

  • 构建基于机器学习的系统中的协作挑战：沟通，文档，工程和流程

    该研究通过访谈 28 个组织中 45 位从业人员发现，在建立和部署机器学习系统时，团队在需求、数据和整合等方面都面临一些具体的协作挑战，主要来源于沟通、文档记录、工程和流程等方面，因此提出了一些建议以应对这些挑战。

    Oct, 2021

  • 描述机器学习数据集的领域特定语言

    该论文提出了一种具有社会关注的领域特定语言来描述机器学习数据集的结构以及数据出处的新方法，这将促进任何机器学习倡议来利用和从机器学习的数据中获益。

    Jul, 2022

  • 数据、树和森林 -- K-12 教育中的决策树学习

    为了帮助 K-12 学生更好地了解机器学习相关现象及对社会的影响，本文提出了一种基于决策树学习的寓教于乐，便于理解且能激励学生主动应用机器学习方法的教学概念。

    May, 2023

  • 使用 Co-ML 协作式机器学习模型构建家庭

    本文介绍了一种基于平板电脑的应用程序 Co-ML，它是一种用于促进学习者之间协作构建机器学习模型的工具。通过这种分布式协作过程，学习者可以共同解决之前工作中忽视的数据设计问题，如数据多样性、类别不平衡和数据质量等。

    Apr, 2023

  • 让人民参与进来：争夺基准机器学习数据集

    研究了机器学习数据集背后的历史、价值观和规范，以及影响数据收集选择的价值观，并描述了机器学习中基准数据集的运作方式和为这些数据集提出的四个研究问题，从而更好地了解数据构建中的劳动，为研究人员提供新的争论途径。

    Jul, 2020

  • 数据及其 (不) 内容：机器学习研究中数据集开发与使用调查

    本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。

    Dec, 2020

  • 计算机视觉中可用机器学习的民主化

    本文对于使用计算机视觉的重要领域，利用 SWOT 分析法提出了针对大众可用 ML 工具的教育和支持培养数据科学素养标准的建议。

    Feb, 2019

  • 迷失在翻译中：重新构想教育中的机器学习生命周期

    通过对过去十年应用机器学习技术于教育方面文章的定性调查，探讨了这些文献陈述的教育和社会目标与其解决的机器学习问题之间的对齐程度，发现存在跨学科差距，提出了扩展的机器学习生命周期来填补这个差距。

    Sep, 2022