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
- 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) - Let Models Speak Ciphers: Multiagent Debate through Embeddings [84.20336971784495]
この問題を解決するためにCIPHER(Communicative Inter-Model Protocol Through Embedding Representation)を導入する。
自然言語から逸脱することで、CIPHERはモデルの重みを変更することなく、より広い範囲の情報を符号化する利点を提供する。
このことは、LLM間の通信における代替の"言語"としての埋め込みの優越性と堅牢性を示している。
論文 参考訳(メタデータ) (2023-10-10T03:06:38Z) - 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) - Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。
また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。
次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
論文 参考訳(メタデータ) (2023-08-17T10:49:18Z) - Can Fairness be Automated? Guidelines and Opportunities for
Fairness-aware AutoML [52.86328317233883]
本報告では、公平性に関連する害が発生する様々な方法の概要を概説する。
この方向に進むためには、いくつかのオープンな技術的課題を強調します。
論文 参考訳(メタデータ) (2023-03-15T09:40:08Z) - 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) - More Engineering, No Silos: Rethinking Processes and Interfaces in
Collaboration between Interdisciplinary Teams for Machine Learning Projects [4.482886054198202]
私たちは、機械学習システムを本番環境に構築、デプロイする際にチームが直面する重要なコラボレーションの課題を特定します。
我々は、要求、データ、統合のためのプロダクションMLシステムの開発における共通のコラボレーションポイントと、対応するチームパターンと課題について報告する。
論文 参考訳(メタデータ) (2021-10-19T20:03:20Z) - 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) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - 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。