Jun, 2024

NLP 与 ML 研究中的 “民主化” 理解

PDF
TL;DR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。
发现论文，激发创造
  • AI 民主化：多重含义、目标与方法

    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

  • 面向跨学科学者的机器学习民主化：关于组织 NLP+CSS 在线教程系列的报告

    为了民主化机器学习方法，本文概述了一年长的在线自然语言处理（NLP）课程，旨在向计算社会科学（CSS）学者教授高级 NLP 方法，以及经过时间变化进行语言分析。

    Nov, 2022

  • AI 的非民主化：深度学习与人工智能研究中的计算差距

    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

  • 通过混合自然语言处理方法促进意见多样性

    现代民主面临公民参与度下降的关键问题。网络讨论论坛是增强公民参与的重要途径。该研究提议通过自然语言处理结合人工智能技术解决在线大规模讨论中的挑战，并研究这些技术能在在线讨论中揭示的个人观点。我们提出了一个由人工智能和大型语言模型组成的三层层级结构来表示观点，展示这些表示形式如何洞察观点的多样性以及允许我们研究在线讨论中的互动。

    May, 2024

  • 政党内部民主的人工智能

    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

  • 深度学习基于自然语言处理的进展：一项调查

    该研究综述了深度学习方法和模型在自然语言处理方面的应用和进展，分析和比较了不同方法和先进模型对语义分析和 NLP 任务领域的促进作用。

    Mar, 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

  • 揭穿虚假信息：利用 NLP 在假新闻检测中革命真相

    互联网和社交媒体改变了人们在信息传播迅速的时代获取新闻的方式。虽然这种发展增加了信息的获取，但也带来了一个重大问题：假新闻和信息的传播。假新闻迅速在数字平台上传播，对媒体生态系统、公众舆论、决策和社会凝聚力产生了负面影响。自然语言处理（NLP）作为一种能够确定内容真伪的技术手段，在对抗虚假信息的战斗中崭露头角。本文深入探讨了 NLP 技术如何用于检测假新闻，并揭示了它所带来的挑战和机遇。

    Aug, 2023

  • 科学中的深度学习

    这篇文章利用自然语言处理技术，针对多个领域的相关研究文献分析了深度学习技术的扩散和影响，在研究健康科学的过程中发现，深度学习技术的采用虽然与知识结构的颠覆和再组合的新颖性呈现负相关，但却能提高期望和引用性能方面的变异性。因此，深度学习方法可以作为一种通用的科学方法，以可衡量的方式推动科学的进展。

    Sep, 2020

  • 解释型自然语言处理的本地解释概览

    研究探讨了提高深度神经网络在自然语言处理（NLP）任务中的可解释性的各种方法，包括机器翻译和情感分析，并对术语 “可解释性” 及其各个方面进行了全面讨论。这项工作列举了与局部解释相关的各种方法，并将其分为三类：1）通过相关的输入特征解释模型的预测；2）通过自然语言解释进行解释；3）探查模型和单词表示的隐藏状态。

    Mar, 2021