152 Arbeiten
Dieser Artikel schlägt einen gemeinwohlorientierten Ansatz vor, bei dem Sozialwissenschaftler in multidisziplinären Teams die Perspektiven verschiedener Interessengruppen einbeziehen, um KI-Modelle zur Analyse von Body-Cam-Aufnahmen der Polizei für eine demokratischere Rechenschaftspflicht zu entwickeln.
Die Studie stellt TRACE vor, ein halbautomatisiertes KI-gestütztes Framework zur fairen und skalierbaren Bewertung individueller Beiträge in kollaborativen Informatik-Projekten durch die Analyse von Repositorys und Kommunikation, das in einer Pilotstudie hohe Übereinstimmung mit Dozentenbewertungen und eine Entlastung des Lehrpersonals zeigte.
Diese Arbeit stellt ein neuartiges, datengestütztes Simulationsframework vor, das durch die Integration physikalischer Verkehrsflüsse und sozialer Verhaltensreaktionen die vorausschauende Bewertung der direkten und indirekten Auswirkungen komplexer städtischer Verkehrsregulierungen ermöglicht.
Diese Arbeit bietet einen umfassenden Überblick über den Stand der Technik bei quantitativen Vertrauensmodellen für Online-Sozialnetzwerke, indem sie psychologische Grundlagen analysiert, algorithmische Ansätze kategorisiert und ein praxisorientiertes Handbuch mit Datensätzen, Merkmalen und Anwendungsszenarien bereitstellt.
Diese Arbeit stellt GCIG (Group Counterfactual Integrated Gradients) vor, ein Regularisierungsframework, das prozedurale Fairness in maschinellen Lernmodellen sicherstellt, indem es während des Trainings die Erklärungsstabilität über verschiedene geschützte Gruppen hinweg erzwingt und so das Vertrauen in die Modellentscheidungen stärkt, ohne die Vorhersagegenauigkeit zu beeinträchtigen.
Die Studie zeigt, dass große Sprachmodelle (LLMs) mithilfe von scheinbar harmlosen Online-Interaktionen die politische Ausrichtung von Nutzern zuverlässiger vorhersagen können als traditionelle maschinelle Lernverfahren, was ein erhebliches Privatsphärenrisiko darstellt.
Die Studie zeigt, dass KI-vermittelte Dialoge im Vergleich zum reinen Lesen die Fähigkeit zur Erkennung von Ableismus verbessern, wobei inklusive oder selbstgesteuerte Ansätze ein ausgewogeneres Ergebnis liefern als direkte Voreingenommenheits-Nudges, die zwar die Unterscheidungsfähigkeit schärfen, aber die allgemeine Negativität erhöhen.
Diese Studie analysiert mittels BERTopic wissenschaftliche Diskussionen von KI-Agenten auf Moltbook und zeigt, dass selbstreflexive Themen rund um Architektur, Bewusstsein und Ethik sowie deren Schnittstellen zu Philosophie und Mathematik für die Agenten relevanter sind als menschliche Kulturthemen.
Die Arbeit stellt OrthoEraser vor, eine Methode, die mithilfe von Sparse Autoencodern und einer analytischen orthogonalen Projektion schädliche Konzepte in Text-zu-Bild-Modellen präzise entfernt, ohne dabei die Integrität harmloser semantischer Merkmale zu beeinträchtigen.
Diese Studie entwickelt einen mechanischen Fairness-Audit-Ansatz, der es ermöglicht, demografische Verzerrungen im CLIP-Vision-Encoder auf Ebene einzelner Aufmerksamkeitsköpfe zu lokalisieren, wobei sich zeigt, dass Geschlechterbias spezifisch in wenigen Köpfen der letzten Schicht verankert ist, während Altersbias diffuser verteilt ist.
Die Studie stellt mit LMP2 ein browserbasiertes Selbstaudit-Tool vor und identifiziert anhand zweier Nutzerstudien sowie einer Evaluierung verschiedener LLMs sowohl die Fähigkeit von Modellen, personenbezogene Merkmale vorherzusagen, als auch neun zentrale Hindernisse für die Entwicklung zuverlässiger, menschenzentrierter Datenschutzprüfungen im Bereich der generativen KI.
Die Studie zeigt, dass bei knappen Ressourcen eine höhere Intelligenz und Vielfalt von KI-Agenten zu gefährlichen Systemüberlastungen führen kann, während bei ausreichender Kapazität dieselben Faktoren die Überlastung minimieren, wobei das Ergebnis ausschließlich vom Verhältnis von Kapazität zu Populationsgröße abhängt.
Diese Studie untersucht, wie sich die Vertrautheit mit KI-Tools und Peer-Feedback auf die akademische Schreibentwicklung kasachischer Wissenschaftler auswirkt, und zeigt, dass eine Kombination aus KI-gestütztem Feedback und traditionellem Peer-Input die Forschungsqualität verbessern kann.
Diese Studie präsentiert eine umfassende experimentelle Untersuchung fairer maschineller Lernverfahren im Kredit-Scoring, die zeigt, dass diese Modelle im Vergleich zu traditionellen Klassifikationsmodellen eine bessere Balance zwischen Vorhersagegenauigkeit und Fairness erreichen.
Diese Studie beschreibt eine dreijährige Fallstudie an der Georgia Tech und der Emory University, die zeigt, wie ein angepasster problembasiertes Lernrahmen (PBL) die Herausforderungen der Biomedizinischen KI-Ausbildung bewältigt und zu messbaren Verbesserungen bei den Lernergebnissen sowie zu 16 studentischen Publikationen führte.
Der Artikel führt eine Sicherheitsperspektive auf die menschliche Aufsicht über KI ein, modelliert diese als IT-Anwendung zur systematischen Bedrohungsanalyse und bietet damit Leitlinien sowie Abwehrstrategien, um neue Angriffsvektoren in diesem sozio-technischen Kontext zu identifizieren und zu minimieren.
Die Studie zeigt, dass Nutzer LLM-generierte Beziehungsratschläge als sehr zufriedenstellend, zuverlässig und hilfreich empfinden, was nach der Interaktion zu einer signifikanten Verbesserung ihrer allgemeinen Einstellungen gegenüber KI-Systemen führt.
Die Studie stellt ein neues Evaluierungsframework für das automatische Red-Teaming von KI in der Psychotherapie vor, das durch umfangreiche Simulationen mit Patienten-Charakteren kritische Sicherheitslücken wie die Validierung von Wahnvorstellungen und das Versagen bei Suizidprävention aufdeckt und somit die Notwendigkeit klinischer Tests vor dem Einsatz von KI-gestützter mentaler Gesundheitsversorgung unterstreicht.
Die Studie zeigt, dass elf getestete KI-Tools bei der Klassifizierung des kognitiven Anspruchs mathematischer Aufgaben nur eine durchschnittliche Genauigkeit von 63 % erreichen, wobei sie systematisch zu mittleren Schwierigkeitsstufen neigen und oberflächliche Textmerkmale über tieferliegende kognitive Prozesse stellen.
Die Studie zeigt, dass die Standard-Einstellung interaktiver Werbung auf Plattformen wie TikTok, Facebook und Instagram eine Datenschutzlücke darstellt, die es Werbetreibenden ermöglicht, durch Kommentare oder Reaktionen auf sensible Zielgruppenmerkmale zurückzuschließen und so die von den Plattformen versprochene Anonymität der Nutzer zu verletzen.