探索人们需要了解的内容以具备人工智能素养:针对多样的人工智能角色和责任进行定制
荣誉提名研究背景与问题
-
作者发现了哪些问题或挑战?
当前的AI素养研究主要集中在用户和开发者需要掌握的知识,但其他角色(如执行经理、政策制定者、法律专业人士等)的职责因AI的引入变得更加复杂。这些角色在决策、监管和应用AI过程中面临许多未被充分处理的知识盲区。 -
为什么这个问题很重要?
AI技术的快速发展影响了社会各领域的各类角色。缺乏AI素养可能会导致错误决策、法律风险和社会或个人的负面影响。例如律师未能充分理解ChatGPT生成的内容可能包含虚假信息,误用其信息进而影响职业发展。 -
研究动机与相关工作
AI素养对于促进负责的AI(Responsible AI)至关重要,帮助个人和组织最大化AI的益处并最小化其风险。然而,目前AI素养的研究缺乏对非用户与非开发者角色(如管理者、政策制定者、法律团队)的深入关注。通过扩展视角,作者希望定义这些角色需要的知识,并揭示现有AI素养研究的不足。
解决方案
-
作者提出了哪些方法或解决方案?
作者采用服务设计(Service Design)方法,创建了价值流模型(Value Flow Models),以映射AI应用中涉及的角色及其职责,并分析AI如何使这些职责复杂化。 -
该解决方案的创新之处是什么?
- 从角色的职责入手探索AI素养需求,而非仅聚焦于用户或开发者。
- 使用服务设计方法,揭示了41个AI应用中的16种角色,并针对被复杂化的职责明确了AI知识和技能的欠缺点。
- 提出了角色中心的AI素养框架,并与现有素养研究的内容进行了匹配分析。
-
实施步骤是什么?使用了哪些关键技术?
- 创建价值流模型:分析不同AI系统中的价值流,以揭示相关角色及其职责。
- 角色整合:从各个模型中整合出覆盖所有AI应用的角色,为每个角色归纳职责。
- 职责与素养映射:收集近九年的AI素养研究成果,匹配职责与当前已定义的AI素养关键能力,发现覆盖不足之处。
研究成果
-
取得了哪些具体成果?
- 确定了主要角色及其职责:例如执行经理、政策制定者、AI开发人员、消费者等,其中很多角色的职责因AI复杂化。
- 发现当前AI素养研究覆盖了识别AI机会等职责,但在“识别AI益处”“估算AI成本”“战略规划”和“监控并优化已部署AI系统”等方面存在明显知识缺口。
-
与现有解决方案相比,它有哪些优势?
- 拓展了AI素养研究的范围,将关注点从用户和开发者拓展到监管者、组织决策者和AI受影响者。
- 提供了更细化的角色分类,有助于针对不同的职责开发量身定制的AI素养课程。
-
实验或评估结果是什么?
带来的关键发现包括:- 当前AI素养框架未深入涵盖多个重要职责,例如评估AI的经济或社会效益及风险,与制定战略有关的知识盲区等。
- 对于监控和优化AI系统的影响,也尚缺乏系统指导。
-
局限性与未来方向
- 局限性:
- 服务设计方法偏向于商业视角,可能遗漏一些非商业角色(如教育工作者)的职责。
- 文献分析基于现有新闻报道和研究,可能未完全涵盖现实中的职责复杂性。
- 未来方向:
- 构建专业发展资源,例如针对管理者、政策制定者和其他非开发角色的AI素养培训。
- 与负责AI社区协作,探索AI影响监控、有关风险与收益的战略规划等的知识缺口。
- 局限性:
总结
通过服务设计和AI生态角色分析,本文揭示了大多数未被充分研究的AI素养需求,并提供了应对这些需求的框架。这项研究鼓励AI素养的扩展和跨领域协作,并呼吁开发针对非用户或非开发者角色的教育资源,以应对AI技术的社会挑战。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
研究问题
3现实痛点
1- 非开发者的管理者和政策制定者对AI风险和决策知识储备不足。分类: 计算与AI素养教育支持同类问题arrow_forward
- 71%
访问 denied:定量算法审计的有意义的数据访问
CHI '25· 可解释人工智能(XAI) +2
- 71%
当公平审计的可行性依赖于数据共享意愿时:审视用户对多方计算协议的接受度以进行公平监控
CHI '26· AI 伦理、公平与问责 +2
- 71%
解构自主性:基于自由框架解释AI技术接受度
CHI '26· 可解释人工智能(XAI) +2
- 71%
认证AI系统等同于可信?探索专家和普通用户对AI认证的认知与需求
CHI '26· 可解释人工智能(XAI) +2
- 71%
公民是否认同欧盟AI法案?公众对AI系统风险与监管的看法
CHI '26· AI 伦理、公平与问责 +2
- 67%
真相或挑战:理解并预测用户如何在线撒谎和提供不实数据
CHI '21· AI 伦理、公平与问责 +1
- 63%
什么是(敏感)数据中的敏感点?描述Google助手语音记录的敏感性和亲密性
CHI '23· 可解释人工智能(XAI) +3
- 63%
PASTA:一个可扩展的多策略AI合规评估框架
CHI '26· 可解释人工智能(XAI) +3
- 63%
CLEAR:面向大语言模型应用的上下文感知隐私政策分析与风险生成
IUI '25· 生成式AI(文本、图像、音乐、视频) +3
- 63%
为何看到此内容:在线内容推荐的用户端审计民主化
UIST '25· 可解释人工智能(XAI) +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)