'将一个人简化为一个百分比'; 对算法决策中正义的看法
作者
可解释人工智能(XAI)AI 伦理、公平与问责算法透明度与可审计性
基于数据的决策对个人产生影响时,会引发关于问责制和正义的重要问题。事实上,欧洲法律赋予个人有限的权利,可以要求获得关于重大自主决策(如贷款批准、保险报价和简历筛选)背后的“有意义的信息”。我们进行了三项实验研究,考察了人们在不同场景和解释风格下对算法决策正义性的看法。以前对人类决策的正义性维度的观察似乎同样适用于对算法决策的反应。定性分析确定了涉及正义性感知的几个关注点和启发式方法,包括任意性、概括性和(不)尊严。定量分析表明,解释风格仅在受试者接触多种不同风格时才对正义性感知产生主要影响——在反复接触一种风格的情况下,场景效应掩盖了任何解释效应。我们的结果表明,可能没有解释算法决策的“最佳”方法,而且对其自动化性质的反思既涉及又缓解了正义性维度。
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。
当前问题库还没有收录这篇论文的问题与痛点。
- 100%
用户对在线评价平台上算法不透明性和透明性的态度
CHI '19· 可解释人工智能(XAI) +2
- 100%
从终端用户视角看日常场景的可解释人工智能:非使用、顾虑与理想设计
DIS '25· 可解释人工智能(XAI) +2
- 75%
互动决策中的概率权重:不良辅助过度使用,良好辅助使用不足的证据
CHI '22· 可解释人工智能(XAI) +3
- 67%
什么是有吸引力的?对算法决策审查过程的看法
CHI '22· 可解释人工智能(XAI) +1
- 60%
官僚主义作为分析和设计算法系统的镜头
CHI '20· 可解释人工智能(XAI) +2
- 60%
扩展可解释性:迈向AI系统的社会透明度
CHI '21· 可解释人工智能(XAI) +2
- 60%
(超越)合理怀疑:公共辩护人在法庭上审查AI时面临的挑战
CHI '24· 可解释人工智能(XAI) +2
- 60%
HILL:用于大型语言模型的幻觉识别器
CHI '24· 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%)
快捷操作
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2018
emoji_events
奖项
未标记奖项
group
作者
6 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 伦理、公平与问责、算法透明度与可审计性
work
职业/产业
—
article
内容状态
仅摘要
hub
相关论文
8 篇相关论文