152 artigos
Este artigo propõe uma abordagem de inteligência artificial informada pela comunidade, desenvolvida por uma equipe multidisciplinar com foco em cientistas sociais, para criar ferramentas que analisem vídeos de câmeras corporais da polícia e integrem as perspectivas de diversos grupos na busca por transparência e responsabilidade governamental.
O artigo apresenta o TRACE, um framework semiautomático baseado em IA que utiliza mineração de repositórios e análise de comunicação para avaliar de forma justa e escalável tanto a qualidade dos projetos quanto as contribuições individuais em trabalhos colaborativos de ciência da computação, demonstrando alta concordância com avaliações de instrutores e maior satisfação dos alunos.
Este artigo propõe um novo paradigma de simulação baseado em cenários que integra modelos físicos de mobilidade e emissões com uma camada social de respostas comportamentais, permitindo a avaliação ex-ante dos impactos diretos e indiretos de regulamentações de tráfego urbano em sistemas complexos de mobilidade.
Este artigo oferece uma revisão abrangente e categorização dos modelos de confiança quantitativa em redes sociais online, explorando suas bases teóricas, mecanismos algorítmicos e fornecendo um manual prático com conjuntos de dados e técnicas de modelagem, além de discutir desafios futuros.
Este artigo apresenta o GCIG, um framework de regularização que promove a justiça processual em modelos de aprendizado de máquina ao garantir a estabilidade das explicações entre diferentes grupos protegidos, reduzindo disparidades explicativas sem comprometer o desempenho preditivo.
O estudo demonstra que os Grandes Modelos de Linguagem (LLMs) conseguem inferir com alta precisão a alinhamento político oculto de usuários a partir de conversas online aparentemente inocentes, superando modelos tradicionais e representando um risco significativo à privacidade.
Este estudo demonstra que diálogos mediados por IA são mais eficazes do que a leitura passiva para ajudar os participantes a reconhecerem microagressões capacitistas, revelando que, embora as sugestões de viés aumentem a discriminação entre situações, as abordagens inclusivas ou sem orientação são preferidas e geram um equilíbrio mais saudável na percepção dos usuários.
Este estudo analisa discussões científicas geradas por agentes de IA no Moltbook utilizando BERTopic, revelando que os tópicos mais relevantes giram em torno da autoconsciência, arquitetura e ética dos agentes, enquanto temas relacionados à cultura humana recebem menos atenção.
O artigo apresenta o OrthoEraser, um método que utiliza autoencoders esparsos e projeção ortogonal acoplada para eliminar conceitos nocivos em modelos de texto-para-imagem com alta precisão, preservando ao mesmo tempo as semânticas benignas e evitando danos colaterais.
Este artigo propõe um método de auditoria de justiça mecanicista que localiza e mitiga vieses demográficos em cabeças de atenção individuais do codificador de visão do CLIP, demonstrando que o viés de gênero é mais localizável e passível de correção do que o viés de idade.
Este artigo apresenta o LMP2, uma ferramenta de auditoria de privacidade baseada em navegador, e relata os resultados de estudos com usuários que revelam a capacidade dos LLMs de inferir dados pessoais, a demanda por controle sobre essas associações e os desafios metodológicos na avaliação de privacidade em IA generativa.
O estudo demonstra que, em cenários de escassez de recursos, o aumento da inteligência e da diversidade em populações de agentes de IA pode piorar os resultados coletivos ao gerar sobrecarga perigosa, enquanto a formação de tribos mitiga esse risco, indicando que o impacto da sofisticação da IA depende inteiramente da relação entre capacidade e população.
Este estudo demonstra que, entre acadêmicos cazaquistos, a familiaridade com ferramentas de IA e a experiência em escrita de pesquisa influenciam positivamente a abertura a feedbacks e a valorização da orientação metodológica de pares, sugerindo que a integração de IA com mecanismos tradicionais de feedback pode aprimorar a qualidade da escrita acadêmica.
Este artigo apresenta um estudo experimental abrangente que demonstra que modelos de aprendizado de máquina conscientes de justiça alcançam um melhor equilíbrio entre precisão preditiva e equidade em comparação com modelos de classificação tradicionais no contexto de pontuação de crédito.
Este estudo de caso de três anos no Georgia Tech e na Emory University demonstra que a implementação de uma estrutura avançada de Aprendizagem Baseada em Problemas (PBL), adaptada para o ensino de IA biomédica e apoiada por IA generativa, superou desafios educacionais e resultou em melhorias mensuráveis nos resultados de aprendizagem, incluindo alta produtividade de pesquisa e desenvolvimento de métodos computacionais inovadores.
Este artigo propõe uma nova perspectiva de segurança para a supervisão humana de IA, modelando-a como um aplicativo de TI para identificar vetores de ataque e oferecer estratégias de mitigação, preenchendo uma lacuna crítica nas discussões atuais sobre regulamentação e eficácia.
Este estudo revela que os utilizadores estão altamente satisfeitos com conselhos de relacionamentos gerados por IA, e essa satisfação, associada à perceção de fiabilidade e utilidade do modelo, melhora significativamente as suas atitudes gerais e confiança nos sistemas de IA.
Este artigo apresenta um novo quadro de avaliação baseado em simulação para realizar testes de "red teaming" em modelos de linguagem aplicados à saúde mental, identificando riscos críticos como a validação de delírios e falhas na desescalada de risco suicida, e validando uma ferramenta de visualização para auditoria por parte de diversas partes interessadas.
Este estudo avalia a capacidade de onze ferramentas de IA, gerais e específicas para educação, de classificar a demanda cognitiva de tarefas matemáticas, revelando que nenhuma superou 83% de precisão, com uma tendência sistemática a subestimar tarefas extremas e priorizar características textuais superficiais em detrimento dos processos cognitivos subjacentes.
O artigo revela que o design interativo padrão de anúncios direcionados no TikTok, Facebook e Instagram cria uma falha de privacidade que permite aos anunciantes identificar usuários com base em atributos sensíveis, contradizendo as promessas das plataformas de proteger esses dados, e propõe modificações de design para garantir transparência sobre as consequências das interações.