論文の概要: Value Cards: An Educational Toolkit for Teaching Social Impacts of Machine Learning through Deliberation

• arxiv url: http://arxiv.org/abs/2010.11411v2
• Date: Sat, 21 Nov 2020 08:45:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 08:02:23.887144
• Title: Value Cards: An Educational Toolkit for Teaching Social Impacts of Machine Learning through Deliberation
• Title（参考訳）: Value Cards: 議論を通じた機械学習の社会的影響を教えるための教育用ツールキット
• Authors: Hong Shen, Hanwen Wesley Deng, Aditi Chattopadhyay, Zhiwei Steven Wu, Xu Wang, Haiyi Zhu
• Abstract要約: Value Card(バリューカード)は、様々な機械学習モデルの社会的影響を、学生や実践者に検討を通じて知らせる教育ツールキットである。 その結果,バリューカードツールキットを用いることで,パフォーマンス指標の技術的定義とトレードオフの両方に対する学生の理解が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 32.74513588794863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, there have been increasing calls for computer science curricula to complement existing technical training with topics related to Fairness, Accountability, Transparency, and Ethics. In this paper, we present Value Card, an educational toolkit to inform students and practitioners of the social impacts of different machine learning models via deliberation. This paper presents an early use of our approach in a college-level computer science course. Through an in-class activity, we report empirical data for the initial effectiveness of our approach. Our results suggest that the use of the Value Cards toolkit can improve students' understanding of both the technical definitions and trade-offs of performance metrics and apply them in real-world contexts, help them recognize the significance of considering diverse social values in the development of deployment of algorithmic systems, and enable them to communicate, negotiate and synthesize the perspectives of diverse stakeholders. Our study also demonstrates a number of caveats we need to consider when using the different variants of the Value Cards toolkit. Finally, we discuss the challenges as well as future applications of our approach.
• Abstract（参考訳）: 近年、公正性、説明責任、透明性、倫理に関するトピックで既存の技術トレーニングを補完するコンピュータサイエンスカリキュラムの要求が高まっている。 本稿では,さまざまな機械学習モデルの社会的影響を学生や実践者に提供するための教育用ツールキットであるvalue cardを提案する。 本稿では,大学レベルのコンピュータサイエンス科目におけるアプローチの早期活用について述べる。 授業中活動を通じて,本手法の初期効果に関する実証データを報告する。 この結果から,バリューカードツールキットは,パフォーマンス指標の技術的定義とトレードオフの両方に対する学生の理解を向上させ,現実世界の文脈に適用し,アルゴリズムシステム開発における多様な社会的価値を考察することの重要性を認識し,多様な利害関係者の視点をコミュニケーションし,交渉し,統合することができることが示唆された。 この研究はまた、value cards toolkitのさまざまなバリエーションを使用する際に考慮すべき注意点をいくつか示しています。 最後に,課題と今後のアプローチの応用について論じる。

関連論文リスト

• Causal Inference Tools for a Better Evaluation of Machine Learning [0.0]
  本稿では、通常最小方形回帰(OLS)、可変解析(ANOVA)、ロジスティック回帰(ロジスティック回帰)などの重要な統計手法を紹介する。 この文書は研究者や実践者のガイドとして機能し、これらのテクニックがモデル行動、パフォーマンス、公平性に対する深い洞察を提供する方法について詳述している。
  論文  参考訳（メタデータ） (2024-10-02T10:03:29Z)
• A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
  本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。 我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-16T18:43:43Z)
• Understanding the Progression of Educational Topics via Semantic Matching [0.9246281666115259]
  教育システムは、技術進歩、工業的、社会的ニーズに適応し、学生の学習行動を強化するために、動的に変化している。 カリキュラムスペシャリストや教育者は、学年ごとの教科を常に改訂し、ギャップを特定し、新しい学習トピックを導入し、学習結果を強化する。 データセット内に構築された主題、トピック、学習結果に関する微妙なデータを持つことで、データサイエンスを活用して、さまざまな学習トピックの進捗をよりよく理解することが可能になる。
  論文  参考訳（メタデータ） (2024-02-10T08:24:29Z)
• Revisiting Self-supervised Learning of Speech Representation from a Mutual Information Perspective [68.20531518525273]
  我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。 我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。 我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
  論文  参考訳（メタデータ） (2024-01-16T21:13:22Z)
• Explainability in Machine Learning: a Pedagogical Perspective [9.393988089692947]
  我々は、学習過程を構造化して、学生や研究者に機械学習の知識をより多く与える方法について、教育学的視点を提供する。 各種不透明かつ透明な機械学習モデルの利点と欠点について論じる。 我々はまた、学生がどんな機械学習アプリケーションと並行して説明可能性を使うことを学ぶのを助けるために、潜在的な課題を構築する方法についても論じる。
  論文  参考訳（メタデータ） (2022-02-21T16:15:57Z)
• An Interactive Visualization Tool for Understanding Active Learning [12.345164513513671]
  本稿では,能動学習の学習過程を明らかにするための対話型可視化ツールを提案する。 このツールは、興味深いデータポイントのサンプルを選択し、異なるクエリ段階でそれらの予測値がどのように変化するかを確認し、アクティブな学習がいつどのように機能するかをよりよく理解することができる。
  論文  参考訳（メタデータ） (2021-11-09T03:33:26Z)
• Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
  自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。 本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
  論文  参考訳（メタデータ） (2021-10-18T13:51:22Z)
• Ethical behavior in humans and machines -- Evaluating training data quality for beneficial machine learning [0.0]
  本研究では、教師付き機械学習アプリケーションのためのデータ品質の新しい次元について述べる。 本研究の目的は、その行動の倫理的評価に基づいて、トレーニングデータをどのように選択できるかを説明することである。
  論文  参考訳（メタデータ） (2020-08-26T09:48:38Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。