論文の概要: Data Science for Social Good

• arxiv url: http://arxiv.org/abs/2311.14683v1
• Date: Thu, 2 Nov 2023 15:40:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 14:05:24.943810
• Title: Data Science for Social Good
• Title（参考訳）: ソーシャルグッズのためのデータサイエンス
• Authors: Ahmed Abbasi and Roger H. L. Chiang and Jennifer J. Xu
• Abstract要約: 本稿では,「データ・サイエンス・フォー・ソーシャル・グッド」(DSSG)研究の枠組みについて述べる。 本研究では,情報システムにおけるDSSG研究の質を実証的に示すために,文献の分析を行う。 この記事と特別号が今後のDSSG研究を刺激することを期待している。
• 参考スコア（独自算出の注目度）: 2.8621556092850065
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data science has been described as the fourth paradigm for scientific discovery. The latest wave of data science research, pertaining to machine learning and artificial intelligence (AI), is growing exponentially and garnering millions of annual citations. However, this growth has been accompanied by a diminishing emphasis on social good challenges - our analysis reveals that the proportion of data science research focusing on social good is less than it has ever been. At the same time, the proliferation of machine learning and generative AI have sparked debates about the socio-technical prospects and challenges associated with data science for human flourishing, organizations, and society. Against this backdrop, we present a framework for "data science for social good" (DSSG) research that considers the interplay between relevant data science research genres, social good challenges, and different levels of socio-technical abstraction. We perform an analysis of the literature to empirically demonstrate the paucity of work on DSSG in information systems (and other related disciplines) and highlight current impediments. We then use our proposed framework to introduce the articles appearing in the special issue. We hope that this article and the special issue will spur future DSSG research and help reverse the alarming trend across data science research over the past 30-plus years in which social good challenges are garnering proportionately less attention with each passing day.
• Abstract（参考訳）: データサイエンスは科学的発見の4番目のパラダイムとして説明されてきた。 機械学習と人工知能(ai)に関する最新のデータサイエンス研究の波は、指数関数的に成長し、毎年何百万もの引用を集めている。 しかし、この成長は社会的善の課題に重点が置かれている。分析の結果、社会善に焦点を当てたデータサイエンス研究の割合はかつてないほど低いことが判明した。 同時に、機械学習と生成AIの普及が、人間の繁栄、組織、社会のためのデータサイエンスに関連する社会技術的展望と課題に関する議論を引き起こしている。 この背景に対して,我々は,関連するデータサイエンス研究ジャンル,社会善の課題,社会技術的抽象化の異なるレベル間の相互作用を検討するdssg(data science for social good)研究の枠組みを提案する。 我々は,情報システム(および他の関連分野)におけるDSSGの作業の質を実証的に示すために文献の分析を行い,現在の障害を強調する。 次に,提案するフレームワークを用いて,特集記事の紹介を行う。 この記事と特集が今後のdssg研究に拍車を掛け、過去30年以上にわたるデータサイエンス研究の不安なトレンドを和らげることに役立てることを願っている。

関連論文リスト

• Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
  私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。 インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。 多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
  論文  参考訳（メタデータ） (2024-02-28T00:22:42Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Beyond case studies: Teaching data science critique and ethics through sociotechnical surveillance studies [0.0]
  倫理は、それらが構造的抑圧を強化することを示すアルゴリズムやシステムの批判が増大する中で、データサイエンスの研究、実践、教育にとって緊急の関心事となっている。 我々は、社会技術システムである監視システムの分析を通じて、重要なデータ研究の根底にある社会現象に言及するデータサイエンス倫理コースを設計した。 学生は、彼ら自身の監視システムを調査し、彼らの利益、害、主要な支持者、抵抗する人々を特定するために、批判的な分析スキルを開発しました。
  論文  参考訳（メタデータ） (2023-05-03T20:24:42Z)
• How Data Scientists Review the Scholarly Literature [4.406926847270567]
  データサイエンティストの文献レビューの実践について検討する。 データサイエンスは、論文の指数的な増加を示す分野である。 これらの科学者が直面する具体的な実践や課題について、事前の研究は行われていない。
  論文  参考訳（メタデータ） (2023-01-10T03:53:05Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• Coordinated Science Laboratory 70th Anniversary Symposium: The Future of Computing [80.72844751804166]
  2021年、コーディネート・サイエンス研究所(CSL)は70周年を記念して、Future of Computing Symposiumを開催した。 シンポジウムで提案された主要な技術的ポイント、洞察、方向性を要約する。 参加者は、新しいコンピューティングパラダイム、技術、アルゴリズム、行動、そして将来予想される研究課題に関するトピックについて議論した。
  論文  参考訳（メタデータ） (2022-10-04T17:32:27Z)
• Diversifying the Genomic Data Science Research Community [22.633385577446617]
  我々はゲノミクス・データ・サイエンス・コミュニティ・ネットワークを設立し、機会を特定し、クラウド対応のゲノム・データ・サイエンスへの幅広いアクセスを支援する。 ここでは、UIの教員や管理者、資金提供者、R1研究者が、より多様なゲノムデータサイエンスコミュニティを構築するために考慮すべき優先順位についてまとめる。
  論文  参考訳（メタデータ） (2022-01-20T20:36:18Z)
• Empowering Local Communities Using Artificial Intelligence [70.17085406202368]
  人中心の観点から、AIが社会に与える影響を探求する上で重要なトピックとなっている。 市民科学におけるこれまでの研究は、AIを使って研究に大衆を巻き込む方法を特定してきた。 本稿では,コミュニティ市民科学にAIを適用する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-10-05T12:51:11Z)
• Biases in Data Science Lifecycle [0.0]
  本研究の目的は,データ科学者の実践的ガイドラインを提供し,その意識を高めることである。 この研究では、さまざまなバイアス源をレビューし、データサイエンスライフサイクルの異なる段階の下でグループ化しました。
  論文  参考訳（メタデータ） (2020-09-10T13:41:48Z)
• Data Science: Challenges and Directions [42.98602883069444]
  データサイエンスのタイトルを含む何百もの文献をレビューする。 議論の大部分は、統計、データマイニング、機械学習、ビッグデータ、あるいは広範なデータ分析に関するものだと考えています。 我々は、複雑なシステムとしてのデータサイエンス問題の性質にインスパイアされた研究とイノベーションの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2020-06-28T01:49:00Z)

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。