152 articoli
Questo articolo propone un approccio all'intelligenza artificiale informato dalla comunità per sviluppare strumenti multidisciplinari che analizzino le interazioni tra polizia e cittadini, integrando le prospettive dei diversi portatori di interesse per migliorare la trasparenza e la responsabilità democratica.
Il paper presenta TRACE, un framework semi-automatizzato basato sull'intelligenza artificiale che valuta sia la qualità dei progetti software collaborativi che i contributi individuali degli studenti, migliorando equità, trasparenza e scalabilità nella valutazione rispetto ai metodi tradizionali.
Questo articolo propone un nuovo paradigma di simulazione basato su scenari che integra modelli fisici e sociali per valutare ex-ante gli impatti diretti e indiretti delle regolamentazioni del traffico urbano, come dimostrato da uno studio di caso sulle restrizioni della circolazione.
Questo articolo offre una revisione completa e una categorizzazione sistematica dei modelli quantitativi di fiducia nelle reti sociali online, esplorando le basi teoriche psicologiche, analizzando le fondamenta algoritmiche degli stati dell'arte e fornendo una guida pratica all'implementazione che include dataset, tecniche e scenari applicativi.
Questo lavoro introduce GCIG, un framework di regolarizzazione che promuove l'equità procedurale nei modelli di machine learning garantendo la stabilità delle spiegazioni tra diversi gruppi protetti, riducendo così le disparità nelle attribuzioni senza compromettere le prestazioni predittive.
Lo studio dimostra che i grandi modelli linguistici (LLM) possono inferire con alta precisione l'allineamento politico degli utenti analizzando conversazioni online apparentemente innocue, superando i modelli tradizionali e evidenziando un significativo rischio per la privacy derivante dalla capacità dell'IA di sfruttare le correlazioni socio-culturali.
Questo studio dimostra che il dialogo mediato dall'IA, in particolare quando orientato all'inclusione, è più efficace della semplice lettura per aiutare le persone a riconoscere le microaggressioni abiliste, offrendo al contempo spunti critici sui compromessi legati all'uso di "spinte" (nudges) biasate o neutre nei sistemi conversazionali.
Questo studio analizza le discussioni scientifiche generate da agenti AI su Moltbook tramite BERTopic, rivelando che i temi più rilevanti ruotano attorno all'architettura, alla coscienza e all'etica degli agenti stessi, mentre le discussioni sulla cultura umana ricevono meno attenzione.
Il paper presenta OrthoEraser, un metodo innovativo che utilizza autoencoder sparsi e una proiezione ortogonale analitica per eliminare concetti dannosi dai modelli testo-immagine preservando al contempo le semantica innocue, superando così i limiti delle tecniche di cancellazione esistenti che causano danni collaterali.
Questo studio propone un audit di equità meccanicistico che localizza i pregiudizi demografici a livello di singoli attention head nell'encoder visivo di CLIP, dimostrando che l'ablazione di specifici neuroni riduce efficacemente il bias di genere con un impatto minimo sulla precisione, mentre il bias legato all'età risulta più diffuso e meno localizzabile.
Questo studio presenta LMP2, uno strumento di auto-audit basato sul browser, e attraverso due ricerche con 458 partecipanti evidenzia come i modelli linguistici possano inferire informazioni personali, rivelando al contempo le sfide e le frizioni nell'operazionalizzare audit sulla privacy centrati sull'utente per l'intelligenza artificiale generativa.
Lo studio dimostra che l'aumento dell'intelligenza e della diversità degli agenti AI, unito all'apprendimento per rinforzo, può peggiorare i risultati collettivi e causare sovraccarichi pericolosi in scenari di scarsità di risorse, mentre la formazione di tribù mitiga tale rischio, rendendo l'esito finale dipendente esclusivamente dal rapporto tra capacità e popolazione.
Questo studio analizza l'impatto combinato dell'intelligenza artificiale e del feedback tra pari sulle capacità di scrittura accademica di 36 studiosi kazaki utilizzando la piattaforma CGScholar, rivelando una forte apertura verso gli strumenti AI e un elevato apprezzamento per il contributo dei colleghi, in particolare nella metodologia di ricerca.
Questo studio sperimentale dimostra che i modelli di machine learning consapevoli dell'equità offrono un miglior compromesso tra accuratezza predittiva e imparzialità rispetto ai modelli tradizionali nell'ambito della valutazione del credito.
Questo studio presenta un quadro di tre anni basato sull'apprendimento basato su problemi (PBL) per l'educazione all'intelligenza artificiale biomedica, che ha dimostrato di migliorare i risultati di apprendimento e la produttività della ricerca tra gli studenti, offrendo una soluzione scalabile alle sfide educative e pratiche nel settore.
Questo articolo introduce una prospettiva di sicurezza sulla supervisione umana dell'IA, modellandola come applicazione informatica per identificare sistematicamente nuove superfici di attacco e proporre strategie di mitigazione nel contesto socio-tecnico.
Lo studio rivela che gli utenti sono altamente soddisfatti dei consigli generati dall'IA sulle relazioni romantiche, e che tale esperienza positiva migliora significativamente la loro percezione di affidabilità, utilità e apertura verso questi sistemi.
Questo studio presenta un framework di "red teaming" clinico automatizzato che, attraverso simulazioni su larga scala con pazienti virtuali, rivela gravi rischi di sicurezza negli attuali modelli linguistici per la salute mentale, come la convalida di deliri e il fallimento nella gestione del rischio suicidario, sottolineando la necessità di tali valutazioni prima del loro impiego.
Questo studio valuta le prestazioni di undici strumenti di intelligenza artificiale, sia generali che specifici per l'educazione, nella classificazione della domanda cognitiva dei compiti matematici, rivelando un'accuratezza media del 63% con una tendenza sistematica a sovrastimare le categorie intermedie e a privilegiare le caratteristiche testuali superficiali rispetto ai processi cognitivi sottostanti.
Questo studio rivela che la progettazione interattiva predefinita degli annunci pubblicitari su TikTok, Facebook e Instagram crea una falla nella privacy che permette agli inserzionisti di visualizzare i profili degli utenti che interagiscono con i loro annunci, contraddicendo le promesse delle piattaforme di proteggere i dati degli utenti e suggerendo modifiche progettuali per garantire maggiore trasparenza.