論文の概要: Character comes from practice: longitudinal practice-based ethics
training in data science
- arxiv url: http://arxiv.org/abs/2401.04454v1
- Date: Tue, 9 Jan 2024 09:37:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 16:07:54.606677
- Title: Character comes from practice: longitudinal practice-based ethics
training in data science
- Title（参考訳）: データサイエンスにおける縦断的実践に基づく倫理訓練
- Authors: Louise Bezuidenhout, Emanuele Ratti
- Abstract要約: RCRトレーニングの目的は、ある道徳的能力の育成を促進することである。
理想は美徳の育成であるが、RCRモジュールによって許される限られた空間は、表面能力の育成を促進できるだけである。
第3に、日々のデータサイエンス活動の技術的・社会的タスクを通じて、(プロト-)仮想的な買収が発生することを強調して、我々のアプローチを運用する。
- 参考スコア（独自算出の注目度）: 0.5439020425818999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this chapter, we propose a non-traditional RCR training in data science
that is grounded into a virtue theory framework. First, we delineate the
approach in more theoretical detail, by discussing how the goal of RCR training
is to foster the cultivation of certain moral abilities. We specify the nature
of these abilities: while the ideal is the cultivation of virtues, the limited
space allowed by RCR modules can only facilitate the cultivation of superficial
abilities or proto-virtues, which help students to familiarize with moral and
political issues in the data science environment. Third, we operationalize our
approach by stressing that (proto-)virtue acquisition (like skill acquisition)
occurs through the technical and social tasks of daily data science activities,
where these repetitive tasks provide the opportunities to develop
(proto-)virtue capacity and to support the development of ethically robust data
systems. Finally, we discuss a concrete example of how this approach has been
implemented. In particular, we describe how this method is applied to teach
data ethics to students participating in the CODATA-RDA Data Science Summer
Schools.
- Abstract（参考訳）: 本章では、徳理論の枠組みを基礎としたデータサイエンスにおける非伝統的なRCRトレーニングを提案する。
まず、rcrトレーニングの目標は、特定のモラル能力の育成を促進することであると論じて、このアプローチをより理論的に詳細に記述する。
理想は美徳の育成であるが、rcrモジュールによって許される限られた空間は、表面能力やプロト・ヴァーチューの育成を助長するだけであり、これは学生がデータサイエンス環境における道徳的、政治的問題に親しむのに役立つ。
第3に,日常的なデータサイエンス活動の技術的・社会的課題を通じて(スキル獲得のように)環境獲得(proto-)が起こることを強調し,(proto-)virtue能力を開発し,倫理的に堅牢なデータシステムの開発を支援する機会を提供することにより,このアプローチを運用する。
最後に、このアプローチの実装方法の具体例について論じる。
特に,この手法を用いて,CODATA-RDAデータサイエンスサマースクールに参加する学生にデータ倫理を教える方法について述べる。
関連論文リスト
- Exploring the Precise Dynamics of Single-Layer GAN Models: Leveraging Multi-Feature Discriminators for High-Dimensional Subspace Learning [0.0]
サブスペース学習の観点から,単層GANモデルのトレーニングダイナミクスについて検討する。
解析をサブスペース学習の領域にブリッジすることで,従来の手法と比較してGAN法の有効性を体系的に比較する。
論文 参考訳（メタデータ） (2024-11-01T10:21:12Z) - Teaching Design Science as a Method for Effective Research Development [0.24578723416255752]
デザインサイエンスリサーチ(DSR)方法論の適用は、情報システム(IS)とソフトウェア工学研究の一般的な作業資源になりつつある。
この章には、DSR、教育方法論、学習目的、レコメンデーションの例が含まれている。
我々は,デザインサイエンスのユーザ体験に関するデータ収集を目的とした調査成果を作成した。
論文 参考訳（メタデータ） (2024-07-13T10:43:06Z) - FAIR Enough: How Can We Develop and Assess a FAIR-Compliant Dataset for Large Language Models' Training? [3.0406004578714008]
大規模言語モデルの急速な進化は、AI開発における倫理的考慮とデータの整合性の必要性を強調している。
FAIRの原則は倫理データのスチュワードシップに不可欠であるが、LLMトレーニングデータの文脈におけるそれらの特定の応用は未調査領域のままである。
本稿では,FAIR の原則を LLM 開発ライフサイクルに統合する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-19T21:21:02Z) - Combatting Human Trafficking in the Cyberspace: A Natural Language
Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。
我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。
重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
論文 参考訳（メタデータ） (2023-11-22T02:45:01Z) - Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。
我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。
本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-10-21T02:03:38Z) - Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。
主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。
本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
論文 参考訳（メタデータ） (2023-06-06T02:24:41Z) - Constrained Reinforcement Learning for Robotics via Scenario-Based
Programming [64.07167316957533]
DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。
本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。
我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
論文 参考訳（メタデータ） (2022-06-20T07:19:38Z) - Model Positionality and Computational Reflexivity: Promoting Reflexivity
in Data Science [10.794642538442107]
データサイエンスの作業を理解するための枠組みを提供するために,位置性や反射性の概念をどのように適応させるかを説明する。
データサイエンスの仕事にこれらの概念を適用する上での課題について述べ,将来性のあるソリューションとしてアノテータのフィンガープリントと位置マイニングを提供する。
論文 参考訳（メタデータ） (2022-03-08T16:02:03Z) - 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) - Opinionated practices for teaching reproducibility: motivation, guided
instruction and practice [0.0]
予測モデリングは、しばしばデータサイエンスの初心者にとって最も興味深いトピックの1つである。
学生は本質的にこのトピックを学ぶ動機がなく、学ぶのは容易ではない。
余分なモチベーション、指導、多くのプラクティスを提供することが、このトピックを効果的に教える鍵となります。
論文 参考訳（メタデータ） (2021-09-17T19:15:41Z) - AWAC: Accelerating Online Reinforcement Learning with Offline Datasets [84.94748183816547]
提案手法は,従来の実演データとオンライン体験を組み合わせることで,スキルの素早い学習を可能にする。
以上の結果から,事前データを組み込むことで,ロボット工学を実践的な時間スケールまで学習するのに要する時間を短縮できることが示唆された。
論文 参考訳（メタデータ） (2020-06-16T17:54:41Z)
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。