論文の概要: From Fitting Participation to Forging Relationships: The Art of Participatory ML

• arxiv url: http://arxiv.org/abs/2403.06431v1
• Date: Mon, 11 Mar 2024 04:44:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 20:25:43.933434
• Title: From Fitting Participation to Forging Relationships: The Art of Participatory ML
• Title（参考訳）: 参加活動から鍛造関係へ:参加型MLの技法
• Authors: Ned Cooper and Alex Zafiroglu
• Abstract要約: 参加型機械学習 (Participatory Machine Learning, ML) は、設計および開発プロセスにおいて、エンドユーザーとMLシステムに影響された人々の参加を促進する。 参加者の労働力の成果をMLアーティファクトやシステムへのインプットに変換する。
• 参考スコア（独自算出の注目度）: 0.7770029179741429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Participatory machine learning (ML) encourages the inclusion of end users and people affected by ML systems in design and development processes. We interviewed 18 participation brokers -- individuals who facilitate such inclusion and transform the products of participants' labour into inputs for an ML artefact or system -- across a range of organisational settings and project locations. Our findings demonstrate the inherent challenges of integrating messy contextual information generated through participation with the structured data formats required by ML workflows and the uneven power dynamics in project contexts. We advocate for evolution in the role of brokers to more equitably balance value generated in Participatory ML projects for design and development teams with value created for participants. To move beyond `fitting' participation to existing processes and empower participants to envision alternative futures through ML, brokers must become educators and advocates for end users, while attending to frustration and dissent from indirect stakeholders.
• Abstract（参考訳）: 参加型機械学習(Participatory Machine Learning, ML)は、設計および開発プロセスにおいて、エンドユーザーとMLシステムに影響された人々の参加を促進する。 参加者の労働力の製品をMLアーティファクトやシステムへの入力に変換する18人の参加ブローカーを、さまざまな組織的な設定やプロジェクトロケーションでインタビューしました。 この結果から,MLワークフローに必要な構造化データ形式や,プロジェクトコンテキストにおける不均一なパワーダイナミクスへの参加を通じて発生する乱雑なコンテキスト情報を統合するという,固有の課題が示された。 参加型mlプロジェクトで生成した価値をより公平にバランスし、デザインと開発チームに価値を提供するブローカーの役割の進化を提唱する。 既存のプロセスへの'フィッティング'参加を超えて、mlを通じて参加者に代替未来を思い描いてもらうためには、ブローカーは、間接的な利害関係者からの不満や不満に応えながら、エンドユーザのための教育者や擁護者になる必要がある。

関連論文リスト

• Constraining Participation: Affordances of Feedback Features in Interfaces to Large Language Models [49.74265453289855]
  大規模言語モデル(LLM)は、コンピュータ、Webブラウザ、ブラウザベースのインターフェースによるインターネット接続を持つ人なら誰でも利用できるようになった。 本稿では,ChatGPTインタフェースにおける対話型フィードバック機能の可能性について検討し,ユーザ入力の形状やイテレーションへの参加について分析する。
  論文  参考訳（メタデータ） (2024-08-27T13:50:37Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• The Impossibility of Fair LLMs [59.424918263776284]
  大規模言語モデル(LLM)の時代において、公正なAIの必要性はますます明確になっている。 我々は、機械学習研究者が公正性を評価するために使った技術フレームワークについてレビューする。 我々は、特定のユースケースにおける公平性を達成するためのより現実的な目標のためのガイドラインを策定する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• LEGENT: Open Platform for Embodied Agents [60.71847900126832]
  LEGENTはLarge Language Models (LLM) とLarge Multimodal Models (LMM) を用いたエンボディエージェントを開発するためのオープンでスケーラブルなプラットフォームである。 LEGENTはリッチでインタラクティブな3D環境を提供し、コミュニケーション可能でアクション可能なエージェントをユーザフレンドリーなインターフェースと組み合わせている。 実験では、EGENT生成データに基づいて訓練された胚性視覚言語モデルが、エンボディタスクにおいてGPT-4Vを超える。
  論文  参考訳（メタデータ） (2024-04-28T16:50:12Z)
• Is a Seat at the Table Enough? Engaging Teachers and Students in Dataset Specification for ML in Education [28.899007394121416]
  教育におけるMLの約束にもかかわらず、その採用は公平性、説明責任、透明性に関する多くの問題に直面している。 これらの問題の根本原因は、教育の複雑なダイナミクスの理解の欠如である。
  論文  参考訳（メタデータ） (2023-11-09T23:51:08Z)
• The Participatory Turn in AI Design: Theoretical Foundations and the Current State of Practice [64.29355073494125]
  本稿は、既存の理論文献を合成して、AI設計における「参加的転換」を掘り下げることを目的としている。 我々は、最近発表された研究および12人のAI研究者および実践者に対する半構造化インタビューの分析に基づいて、AI設計における参加実践の現状に関する実証的な知見を述べる。
  論文  参考訳（メタデータ） (2023-10-02T05:30:42Z)
• Identifying Concerns When Specifying Machine Learning-Enabled Systems: A Perspective-Based Approach [1.2184324428571227]
  PerSpecMLは、ML対応システムを指定するためのパースペクティブベースのアプローチである。 MLや非MLコンポーネントを含むどの属性がシステム全体の品質に寄与するかを、実践者が特定するのに役立つ。
  論文  参考訳（メタデータ） (2023-09-14T18:31:16Z)
• Power to the People? Opportunities and Challenges for Participatory AI [9.504176941117493]
  人工知能(AI)と機械学習(ML)への参加的アプローチが勢いを増している。 本稿では,AIとMLパイプライン内の参加者参加手法や実践と同様に,歴史的文脈における参加的アプローチをレビューする。 我々は、参加型AI/MLが流行するにつれて、この用語の文脈的・ニュアンス的な理解と、参加型活動の主要な受益者がもたらす利益と機会を実現する上で重要な要素であるべきかどうかを考察する。
  論文  参考訳（メタデータ） (2022-09-15T19:20:13Z)
• Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A Stackelberg Game Approach [54.28419430315478]
  Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。 MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。 そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2021-09-25T17:27:48Z)
• Towards Integrating Fairness Transparently in Industrial Applications [3.478469381434812]
  本稿では,機械学習プロジェクトのバイアス検出,緩和,ドキュメント化において,機械的および人為的コンポーネントを統合するための体系的アプローチを提案する。 構造的プリミティブを実世界のユースケースの例として提示し、潜在的なバイアスを特定し、適切な緩和戦略を決定する方法について説明する。
  論文  参考訳（メタデータ） (2020-06-10T21:54:27Z)

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。