采用自然语言处理技术中的大型变形器模型，对政党政治纲领进行相似度测量，并分析它们与专家调查、选民投票记录及候选人网络等指标的相关性，考虑了这种方法替代专家判断的前景。

Jun, 2023

该研究论文探讨了通过机器学习和超参数调整来改进增强型入侵检测系统，以应对现代人工智能技术对当前网络安全系统的威胁，并通过多数据集集成方法评估了多个机器学习模型的性能.

Dec, 2023

该研究论文提出了一种通过自动议会来提高语言模型（LMs）决策能力的方法 - 自动议会由代表特定视角的 AI 代表构成，代表自身包括三个 AI 模型：生成模型、修改模型和评估模型。我们提供了两种生成最佳解决方案的机制：用于响应生成的同时修改机制，以及用于公平评估解决方案的评估机制。整个过程始于每个生成模型根据其代表的理论创建响应，然后修改模型对其他响应进行调整以使其更加自洽，评估模型共同评估最佳的终点响应，最后，修改模型和生成模型根据评估模型的反馈进行学习。在我们的研究中，我们测试了评估机制，比较了单值零指导提示和自动议会少量指导提示在评估道德复杂场景中的应用，结果发现与基线相比，自动议会结构的损失值减少了 57.3％。我们最后讨论了自动议会的一些潜在应用和作为自动道德议会实施时的潜在影响。

Oct, 2023

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

这项研究回顾了在过去两年中发表在 ACM 数字图书馆和 IEEE Xplore 会议记录中的研究论文，以自然语言处理 (NLP) 和文本挖掘 (TM) 的基本概念为支持，旨在了解公共部门中数据隐私、伦理、可解释性、可解释性、可信度和公平性等方面的见解，结果显示公平性是最常见的关注点，数据隐私是最不突出的主题，而可信度最突出，最后，也有可能获得关于 A.I. 在公共部门应用中的这些问题的有益见解。

Jul, 2023

本文研究了 AI 民主化的四种形式：AI 使用的民主化、AI 开发的民主化、AI 利润的民主化和 AI 治理的民主化，强调了 AI 民主化是一个多方面的、有时冲突的概念，应该将其与提高 AI 可访问性区分开来，并认识到 AI 治理的民主化在决策中起着主要作用。

Mar, 2023

自然语言处理作为一种计算机工具，可对政治活动中的文本进行解析，包括文本分类、主题建模、事件提取和文本标度等方法，并且这些方法可以用于数据收集、政策解释、政策沟通和政策影响调查等四大应用领域。但同时也需要注意潜在的局限性和伦理问题。

Feb, 2023

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

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

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