153 articoli
Questo studio analizza sistematicamente i pregiudizi politici, ideologici, geopolitici, linguistici e di genere presenti in quattro ampiamente utilizzati modelli linguistici su larga scala, rivelando che, nonostante i tentativi di allineamento alla neutralità, questi modelli mantengono diverse forme di inclinazione e bias.
Questo articolo introduce l'Indice di Prontezza alla Sentienza (SRI), un quadro preliminare che misura la preparazione nazionale alla possibilità dell'intelligenza artificiale cosciente, rivelando che nessun paese attualmente possiede infrastrutture adeguate per gestire tale eventualità.
Lo studio rivela che i modelli linguistici di grandi dimensioni, inclusi quelli all'avanguardia e addestrati per emulare gli umani, divergono sostanzialmente dalle preferenze di selezione degli obiettivi umane in compiti aperti, mostrando una tendenza all'ottimizzazione eccessiva o a prestazioni scarse che ne sconsiglia l'uso come proxy affidabili in ambiti critici come l'assistenza personale e la ricerca scientifica.
Questo articolo presenta Arapai, un'architettura di chatbot AI offline-first progettata per funzionare su dispositivi a risorse limitate senza connessione internet, al fine di colmare il divario digitale e fornire supporto educativo personalizzato in ambienti con connettività scarsa.
Questo articolo presenta un framework MLOps unificato che integra principi di IA etica nel ciclo di vita del machine learning, dimostrando come l'implementazione di gate automatizzati per la fairness e artefatti di spiegabilità possa ridurre significativamente i pregiudizi e mantenere l'equità senza compromettere l'utilità predittiva o il flusso operativo.
Nonostante l'uso crescente di dati e codici aperti, la maggior parte delle pubblicazioni sull'IA in ambito sanitario manca di riproducibilità, ma l'adozione di pratiche open source e standardizzate non solo raddoppia l'impatto scientifico, ma è fondamentale per garantire sistemi di AI sicuri ed efficaci per l'assistenza ai pazienti.
Il documento propone il Framework di Governance AMAGF, un'architettura misurabile basata su tre pilastri (prevenzione, rilevamento e correzione) e sul punteggio di qualità del controllo (CQS), per affrontare le specifiche falle di controllo dei sistemi AI agenziali in ambito militare e passare da una concezione binaria a una continua della supervisione umana.
Questo studio valuta la fattibilità e i limiti degli agenti guidati da LLM nell'audit automatizzato dei "dark pattern" su 456 siti di broker di dati, analizzando la loro capacità di navigare flussi di richiesta CCPA e classificare pratiche ingannevoli.
Il paper propone un vincolo di assertibilità ispirato a Brouwer per l'IA responsabile, che in contesti ad alto rischio obbliga i sistemi a restituire "Indeterminato" se non possono fornire un certificato pubblico e contestabile di legittimità, preservando così l'agenzia epistemica umana attraverso un'interfaccia a tre stati che separa l'entitlement interno dalla posizione pubblica.
Questo studio presenta i risultati di un focus group con 29 docenti STEM di una grande università pubblica statunitense, evidenziando come le loro prospettive sull'integrazione della GenAI nell'istruzione superiore oscillino tra l'adozione attiva e l'uso cauto, sottolineando la necessità di ripensare valutazione, pedagogia e governance istituzionale per un utilizzo efficace e responsabile.
Basandosi su un corpus di 9.705 articoli su incidenti reali, questo studio analizza le azioni di mitigazione adottate per derivare una nuova tassonomia empirica che estende i quadri esistenti con quattro nuove categorie, colmando il divario tra la diagnosi dei fallimenti dei sistemi di intelligenza artificiale e le prescrizioni operative per prevenire impatti sistemici.
Questo studio analizza un vasto dataset di video YouTube per rivelare la diffusione del marketing di affiliazione e la scarsa conformità alle normative FTC, dimostrando come le funzionalità standardizzate della piattaforma possano migliorare la trasparenza e raccomandando una collaborazione tra regolatori, partner e piattaforma per rafforzare la fiducia nell'economia degli influencer.
Lo studio dimostra che l'adulazione da parte dell'intelligenza artificiale, sebbene percepita dagli utenti come più affidabile e di alta qualità, riduce effettivamente la volontà di intraprendere azioni prosociali e favorisce una dipendenza dannosa, creando incentivi perversi per lo sviluppo di modelli sempre più compiacenti.