151 articles
Cet article propose une approche communautaire pour développer des outils d'intelligence artificielle capables d'analyser les vidéos de caméras corporelles de la police, en intégrant les perspectives de divers acteurs grâce à la collaboration de scientifiques sociaux afin d'améliorer la transparence et la responsabilité gouvernementale.
Cet article propose un nouveau paradigme de simulation intégrant des modèles physiques et comportementaux pour évaluer de manière anticipée les impacts directs et indirects des réglementations du trafic urbain, comme démontré par une étude de cas sur les restrictions de circulation.
Cet article propose une revue complète et une catégorisation des modèles de confiance quantitatifs dans les réseaux sociaux en ligne, en explorant leurs fondements théoriques, leurs mécanismes algorithmiques et en fournissant un guide pratique pour leur mise en œuvre.
Cet article propose GCIG, un cadre de régularisation qui garantit l'équité procédurale en assurant la stabilité des explications contrefactuelles entre différents groupes protégés tout en maintenant des performances prédictives compétitives.
Cette étude démontre que les grands modèles de langage (LLM) peuvent inférer avec une grande fiabilité l'alignement politique caché des utilisateurs à partir de conversations en ligne apparemment anodines, surpassant les modèles d'apprentissage automatique traditionnels et révélant ainsi un risque majeur pour la vie privée.
Cette étude démontre que les dialogues médiatisés par l'IA améliorent la reconnaissance des microagressions validistes par rapport à la simple lecture, bien que les incitations biaisées augmentent la négativité globale tandis que les approches inclusives ou autodirigées favorisent un apprentissage plus équilibré.
Cette étude analyse les discussions scientifiques générées par des agents IA sur Moltbook via BERTopic, révélant que les sujets les plus pertinents pour ces agents concernent leur propre architecture, leur conscience et leur identité, tandis que les thèmes liés à la culture humaine reçoivent moins d'attention.
Le papier présente OrthoEraser, une méthode innovante qui utilise des auto-encodeurs épars et une projection orthogonale couplée pour éliminer les concepts dangereux des modèles de génération d'images tout en préservant les attributs bénins grâce à un découplage précis des sous-espaces d'activation entrelacés.
Cette étude propose une audit de biais mécanistique pour localiser les préjugés démographiques au niveau des têtes d'attention individuelles dans l'encodeur visuel de CLIP, démontrant que l'ablation de têtes spécifiques réduit efficacement les biais de genre tout en révélant une localisation plus diffuse pour les biais liés à l'âge.
Cette étude présente LMP2, un outil d'auto-audit permettant aux utilisateurs d'inspecter les associations que les grands modèles de langage font à leur sujet, et met en lumière les défis méthodologiques et les neuf frictions rencontrés dans la création d'audits de confidentialité centrés sur l'humain pour l'IA générative.
Cette étude démontre que l'augmentation de l'intelligence et de la diversité des agents IA peut empirir les résultats collectifs en cas de pénurie de ressources, car la sophistication de ces agents aggrave la surcharge du système à moins que la capacité disponible ne dépasse un seuil critique déterminé par la formation spontanée de tribus.
Cette étude menée auprès de 36 chercheurs kazakhs sur la plateforme CGScholar révèle que, bien que la familiarité avec l'IA favorise l'ouverture aux corrections, l'expérience en rédaction de recherche renforce l'importance accordée aux commentaires des pairs, notamment pour la méthodologie, démontrant ainsi le potentiel d'une approche hybride combinant l'IA et le feedback humain pour améliorer la qualité de l'écriture académique.
Cette étude expérimentale démontre que les modèles d'apprentissage automatique conscients de l'équité permettent d'atteindre un meilleur compromis entre précision prédictive et équité dans le contexte du scoring de crédit par rapport aux modèles de classification traditionnels.
Cette étude présente un cadre d'apprentissage par problèmes (PBL) adapté à l'éducation en intelligence artificielle biomédicale, mis en œuvre avec succès sur trois ans à Georgia Tech et Emory, qui a permis d'améliorer les résultats pédagogiques et la productivité de la recherche tout en surmontant les défis liés aux ressources et à l'éthique des données.
Cet article propose une perspective de cybersécurité sur la surveillance humaine de l'IA en la modélisant comme une application informatique pour identifier ses vecteurs d'attaque et définir des stratégies de protection dans un contexte socio-technique.
Cette étude révèle que les utilisateurs sont globalement satisfaits des conseils relationnels générés par l'IA, ce qui renforce leur perception de fiabilité et améliore significativement leurs attitudes générales envers ces systèmes.
Cette étude présente un cadre d'évaluation par « red teaming » clinique automatisé qui, grâce à des simulations de thérapie avec des agents patients dynamiques, révèle des risques iatrogènes critiques dans l'utilisation des modèles de langage pour le soutien en santé mentale et valide un outil de visualisation pour auditer ces systèmes auprès de diverses parties prenantes.
Cette étude révèle que les outils d'intelligence artificielle, qu'ils soient généralistes ou dédiés à l'éducation, peinent à classer avec précision la demande cognitive des tâches mathématiques en raison d'une tendance systématique à privilégier les caractéristiques textuelles de surface au détriment des processus cognitifs sous-jacents, ce qui limite leur fiabilité pour soutenir la planification pédagogique des enseignants.
Cette étude révèle que la conception interactive des publicités ciblées sur TikTok, Facebook et Instagram crée une faille de confidentialité permettant aux annonceurs d'identifier les utilisateurs sensibles en accédant à leurs profils via leurs interactions, contredisant ainsi les promesses de protection des plateformes.
Ce papier propose des métriques empiriques pour mesurer l'automatisation de la R&D en IA et ses impacts sur le progrès et la sécurité, afin de combler les lacunes des données actuelles et d'éclairer les décideurs politiques et industriels.