HCI.TOPHCI, made easy
首页arXiv论文机构作者设计规范问题知识卡创新日程
首页arXiv论文机构作者设计规范问题知识卡创新日程
学习AI编程数据说明HCI 会议HCI 论文关于薛志荣
search
当前筛选
search
全部

论文

浏览与搜索 全部 的 HCI 研究论文

当前筛选
作者: 20460
共 12 条

利用LLM提供有效公共服务的机遇与风险

Moon 等人研究LocalLLM和BERTopic模型在儿童福利案例跟踪中的应用,发现其能识别案例偏差但无法检测需专业裁量判断的轨迹,为AI辅助公共服务的可行性提供实证依据。

EM
Erina Seh-Young Moon et al.多伦多大学

当指标误导:公共安全网中父母的真实生活现实

Saxena 等人通过对75名儿童福利系统父母的访谈揭示,父母的非正式社会支持网络差异导致系统指标与实际生活结果严重脱节,需通过叙事性定性数据设计更精准的支持系统。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

作为组装拼凑的测量:审视数据科学家如何构建预测建模任务的目标变量

Guerdan 等人揭示数据科学家如何将模糊概念转化为可测量目标变量的过程,填补了预测建模中测量构建方法论的认知空白。

LG
Luke Guerdan et al.卡内基梅隆大学
Generating and Sharing Knowledge

做正确的事:在早期AI概念选择中桥接HCI与负责任AI

Jung 等人通过设计实验探索早期AI概念排序反映负责任AI原则的可能性,表明多学科协作可有效识别低风险高收益AI概念,为AI创新前端嵌入伦理考量。

JJ
Ji-Youn Jung et al.卡内基梅隆大学
广告推荐

学习 AI 编程到 CodeNow

系统课程、实战项目、持续更新,适合想真正把 AI 用进开发流程的人。

立即查看open_in_new

AI 不匹配:在AI开发前识别潜在的算法危害

Saxena 等人提出AI不匹配方法,通过分析774个AI案例开发七个风险矩阵,帮助在开发早期识别模型性能与任务需求差距以降低风险。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

公共无家可归服务中的关怀数据化

Moon 等人对多伦多无家可归者系统进行民族志研究,发现客户数据时间性限制 AI 预测效能,前线工作人员通过启发式决策应对不确定性。

EM
Erina Seh-Young Moon et al.多伦多大学

我们问的问题正确吗?:设计社区利益相关者与警务中人工智能的互动

Haque等人对60名参与者的实验表明社区成员更主动调整犯罪地图工具,所有利益相关者均可提供关键反馈以改进AI设计和使用。

MH
Md. Romael Haque et al.马凯特大学

通过儿童福利案例记录的计算叙事分析重新思考算法系统中的“风险”

Saxena 等人对儿童福利案件记录进行计算叙事分析,揭示系统本身带来的风险及个案工作者过度监视问题,质疑风险作为静态结构的概念,警告 NLP 系统的局限性。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

通过案例笔记分析揭示儿童福利中的隐形工作实践、约束和潜在权力关系

Saxena 等人对美国中西部儿童福利机构案例记录进行计算文本分析,揭示街头层面隐形自由裁量权和权力关系,为以工作者为中心的社会技术系统设计提供依据。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

公共部门高风险算法决策框架:基于儿童福利案例研究的设计

Saxena 等人提出公共部门高风险算法决策框架ADMAPS,通过儿童福利机构8个月民族志研究表明需关注优势导向算法、支持而非取代人类裁量、集体信任是实现有效算法的关键。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
Algorithms and Decision Making

非/使用类型学生成方法

Saxena 等人提出两种识别技术非/使用类型学的方法,通过Facebook数据验证表明方法间能相互印证,为社会技术研究提供分析工具。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
Technological Inclusion and Non/Use

美国儿童福利系统中算法的人本审查

Saxena 等人综合50篇同行评审论文审查美国儿童福利系统中的算法,发现多数研究聚焦风险评估模型而忽视理论方法和社工视角,建议开发更具上下文感知性的算法。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
论文标题作者研究主题论文库年份

利用LLM提供有效公共服务的机遇与风险

Moon 等人研究LocalLLM和BERTopic模型在儿童福利案例跟踪中的应用,发现其能识别案例偏差但无法检测需专业裁量判断的轨迹,为AI辅助公共服务的可行性提供实证依据。

EM
Erina Seh-Young Moon et al.多伦多大学

当指标误导:公共安全网中父母的真实生活现实

Saxena 等人通过对75名儿童福利系统父母的访谈揭示,父母的非正式社会支持网络差异导致系统指标与实际生活结果严重脱节,需通过叙事性定性数据设计更精准的支持系统。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

作为组装拼凑的测量:审视数据科学家如何构建预测建模任务的目标变量

Guerdan 等人揭示数据科学家如何将模糊概念转化为可测量目标变量的过程,填补了预测建模中测量构建方法论的认知空白。

LG
Luke Guerdan et al.卡内基梅隆大学
Generating and Sharing Knowledge
emoji_events

做正确的事:在早期AI概念选择中桥接HCI与负责任AI

Jung 等人通过设计实验探索早期AI概念排序反映负责任AI原则的可能性,表明多学科协作可有效识别低风险高收益AI概念,为AI创新前端嵌入伦理考量。

JJ
Ji-Youn Jung et al.卡内基梅隆大学
广告推荐

学习 AI 编程到 CodeNow

系统课程、实战项目、持续更新,适合想真正把 AI 用进开发流程的人。

立即查看open_in_new

AI 不匹配:在AI开发前识别潜在的算法危害

Saxena 等人提出AI不匹配方法,通过分析774个AI案例开发七个风险矩阵,帮助在开发早期识别模型性能与任务需求差距以降低风险。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
emoji_events

公共无家可归服务中的关怀数据化

Moon 等人对多伦多无家可归者系统进行民族志研究,发现客户数据时间性限制 AI 预测效能,前线工作人员通过启发式决策应对不确定性。

EM
Erina Seh-Young Moon et al.多伦多大学

我们问的问题正确吗?:设计社区利益相关者与警务中人工智能的互动

Haque等人对60名参与者的实验表明社区成员更主动调整犯罪地图工具,所有利益相关者均可提供关键反馈以改进AI设计和使用。

MH
Md. Romael Haque et al.马凯特大学
emoji_events

通过儿童福利案例记录的计算叙事分析重新思考算法系统中的“风险”

Saxena 等人对儿童福利案件记录进行计算叙事分析,揭示系统本身带来的风险及个案工作者过度监视问题,质疑风险作为静态结构的概念,警告 NLP 系统的局限性。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校

通过案例笔记分析揭示儿童福利中的隐形工作实践、约束和潜在权力关系

Saxena 等人对美国中西部儿童福利机构案例记录进行计算文本分析,揭示街头层面隐形自由裁量权和权力关系,为以工作者为中心的社会技术系统设计提供依据。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
emoji_events

公共部门高风险算法决策框架:基于儿童福利案例研究的设计

Saxena 等人提出公共部门高风险算法决策框架ADMAPS,通过儿童福利机构8个月民族志研究表明需关注优势导向算法、支持而非取代人类裁量、集体信任是实现有效算法的关键。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
Algorithms and Decision Making

非/使用类型学生成方法

Saxena 等人提出两种识别技术非/使用类型学的方法,通过Facebook数据验证表明方法间能相互印证,为社会技术研究提供分析工具。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校
Technological Inclusion and Non/Use
emoji_events

美国儿童福利系统中算法的人本审查

Saxena 等人综合50篇同行评审论文审查美国儿童福利系统中的算法,发现多数研究聚焦风险评估模型而忽视理论方法和社工视角,建议开发更具上下文感知性的算法。

DS
Devansh Saxena et al.威斯康星大学麦迪逊分校