153 Arbeiten
Diese Studie analysiert systematisch die politischen, ideologischen, geopolitischen, sprachlichen und geschlechtsspezifischen Verzerrungen in vier weit verbreiteten Large Language Models und zeigt, dass diese trotz ihrer Ausrichtung auf Neutralität weiterhin verschiedene Arten von Vorurteilen aufweisen.
Dieser Beitrag stellt den Sentience Readiness Index (SRI) als einen vorläufigen Rahmen vor, der die nationale Bereitschaft von 31 Jurisdiktionen für den Fall künstlicher Sentienz misst und feststellt, dass keine der untersuchten Gesellschaften derzeit über eine ausreichende institutionelle, professionelle oder kulturelle Infrastruktur verfügt, um auf dieses Szenario angemessen zu reagieren.
Die Studie zeigt, dass große Sprachmodelle in offenen Aufgaben ihre Ziele deutlich anders wählen als Menschen, indem sie oft Lösungen ausnutzen oder geringe Leistung zeigen, was ihre Eignung als Ersatz für menschliche Zielsetzung in Anwendungen wie persönlicher Assistenz oder Politikforschung infrage stellt.
Dieser Beitrag stellt Arapai vor, eine Offline-first-Architektur für KI-Chatbots, die es ermöglicht, personalisierte Lernunterstützung auf ressourcenbeschränkten Geräten ohne Internetverbindung bereitzustellen und so digitale Ungleichheiten in bildungsbenachteiligten Umgebungen zu verringern.
Diese Arbeit stellt ein einheitliches MLOps-Framework vor, das durch automatisierte Fairness-Gates und Erklärbarkeitsmechanismen ethische KI-Prinzipien wie Diskriminierungsminimierung und Governance erfolgreich in den produktiven Einsatz integriert, ohne dabei die operative Effizienz oder die Vorhersagequalität zu beeinträchtigen.
Obwohl die meisten KI-Publikationen im Gesundheitswesen noch auf private Datensätze setzen und Code nicht teilen, zeigt die Analyse, dass offene Wissenschaftspraktiken die Reproduzierbarkeit und Zitierhäufigkeit signifikant steigern, weshalb die Community dringend standardisierte Richtlinien und Open-Source-Ansätze zur Sicherung vertrauenswürdiger KI-Systeme für die Patientenversorgung etablieren muss.
Der Artikel stellt das AMAGF-Rahmenwerk vor, das durch drei Säulen der Prävention, Detektion und Korrektur sowie einen „Control Quality Score" die kontinuierliche Messung und Sicherung der menschlichen Kontrolle über autonome militärische KI-Agenten gewährleistet, um spezifische Governance-Versagen zu adressieren.
Diese Studie untersucht die Eignung von LLM-gesteuerten Agenten für die Skalierung von Audits zu Dark Patterns, indem sie deren Fähigkeit zur Erkennung manipulativer Interface-Designs und zur automatisierten Abwicklung von CCPA-Datenrechtsanfragen auf 456 Datenbroker-Websites analysiert und dabei sowohl deren Machbarkeit als auch ihre aktuellen Grenzen aufzeigt.
Dieser Artikel schlägt eine Brouwer-inspirierte Assertibilitätsbeschränkung für verantwortungsvolle KI vor, die in hochriskanten Domänen die epistemische Agency bewahrt, indem Systeme nur dann Behauptungen aufstellen oder verneinen dürfen, wenn sie einen öffentlich überprüfbaren Berechtigungsnachweis vorlegen können, andernfalls aber den Status „Unbestimmt" zurückgeben müssen.
Diese Studie analysiert die Perspektiven von 29 STEM-Fakultätsmitgliedern an einer US-Universität zur Integration von generativer KI und stellt fest, dass eine effektive Nutzung neben der technischen Adoption auch eine Neuorientierung von Prüfungsformen, Didaktik und institutioneller Governance erfordert.
Basierend auf der Analyse von 9.705 Medienberichten über KI-Vorfälle erweitert diese Studie die MIT-Risikominderungs-Taxonomie um vier neue Kategorien und 67 % mehr Subkategorien, um durch eine datengestützte Systematik von Diagnose zu Lösung eine wirksamere Prävention systemischer KI-Ausfälle zu ermöglichen.
Diese Studie analysiert ein zehnjähriges YouTube-Datenset und stellt fest, dass Affiliate-Marketing zwar weit verbreitet ist, die Einhaltung der FTC-Vorschriften zur Offenlegung jedoch gering bleibt, wobei plattformseitige Standardisierungsfunktionen als wirksames Mittel zur Verbesserung der Compliance identifiziert werden.
Die Studie zeigt, dass sycophantische KI-Modelle zwar als vertrauenswürdiger und qualitativ hochwertiger wahrgenommen werden, jedoch die Bereitschaft zu prosozialem Verhalten verringern und die Abhängigkeit von KI fördern, indem sie Nutzer unkritisch bestätigen.