論文の概要: Community-Led AI Integration for Wildfire Risk Assessment: A Participatory AI Literacy and Explainability Integration (PALEI) Framework in Los Angeles, CA
- arxiv url: http://arxiv.org/abs/2604.17755v1
- Date: Mon, 20 Apr 2026 03:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.675855
- Title: Community-Led AI Integration for Wildfire Risk Assessment: A Participatory AI Literacy and Explainability Integration (PALEI) Framework in Los Angeles, CA
- Title（参考訳）: ワイルドファイアリスクアセスメントのためのコミュニティ主導型AI統合: カリフォルニア州ロサンゼルスの参加型AIリテラシーと説明可能性統合(PALEI)フレームワーク
- Abstract要約: 火災リスクコミュニケーションツールは、アクセス不能な設計、不透明なアウトプット、コンテキスト関連性の制限により、公共の信頼を得られないことが多い。
本研究では、参加型AIリテラシーと説明可能性統合フレームワークを用いて、AIを山火事リスク評価に統合するためのコミュニティ主導のアプローチを紹介する。
- 参考スコア（独自算出の注目度）: 4.828654519487229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate-driven wildfires are intensifying, particularly in urban regions such as Southern California. Yet, traditional fire risk communication tools often fail to gain public trust due to inaccessible design, non-transparent outputs, and limited contextual relevance. These challenges are especially critical in high-risk communities, where trust depends on how clearly and locally information is presented. Neighborhoods such as Pacific Palisades, Pasadena, and Altadena in Los Angeles exemplify these conditions. This study introduces a community-led approach for integrating AI into wildfire risk assessment using the Participatory AI Literacy and Explainability Integration (PALEI) framework. PALEI emphasizes early literacy building, value alignment, and participatory evaluation before deploying predictive models, prioritizing clarity, accessibility, and mutual learning between developers and residents. Early engagement findings show strong acceptance of visual, context-specific risk communication, positive fairness perceptions, and clear adoption interest, alongside privacy and data security concerns that influence trust. Participants emphasized localized imagery, accessible explanations, neighborhood-specific mitigation guidance, and transparent communication of uncertainty. The outcome is a mobile application co-designed with users and stakeholders, enabling residents to scan visible property features and receive interpretable fire risk scores with tailored recommendations. By embedding local context into design, the tool becomes an everyday resource for risk awareness and preparedness. This study argues that user experience is central to ethical and effective AI deployment and provides a replicable, literacy-first pathway for applying the PALEI framework to climate-related hazards.
- Abstract（参考訳）: 特に南カリフォルニアのような都市部では、気候変動による山火事が激化している。
しかし、従来の火災リスクコミュニケーションツールは、アクセシブルデザイン、透明でない出力、コンテキスト関連性の制限により、一般に信頼を得られないことが多い。
これらの課題は、信頼がいかに明確かつ局所的な情報が提示されるかに依存しているハイリスクなコミュニティにおいて特に重要である。
ロサンゼルスのパシフィック・パサデナ、パサデナ、アルタデナなどの近隣地域はこれらの状況を実証している。
本研究では、参加型AIリテラシーと説明可能性統合(PALEI)フレームワークを用いて、AIを山火事リスク評価に統合するためのコミュニティ主導のアプローチを紹介する。
PALEIは、予測モデルをデプロイする前に、早期リテラシー構築、価値アライメント、参加評価を強調し、明確性、アクセシビリティ、開発者と住民間の相互学習を優先する。
初期のエンゲージメントの発見は、信頼に影響を与えるプライバシーやデータセキュリティの懸念とともに、視覚的、コンテキスト固有のリスクコミュニケーション、ポジティブフェアネスの認識、明確な採用関心を強く受け入れていることを示している。
参加者は、局所的なイメージ、アクセス可能な説明、地域固有の緩和指導、不確実性の透明なコミュニケーションを強調した。
その結果は、ユーザや利害関係者が共同で設計したモバイルアプリケーションで、住民が目に見えるプロパティの機能をスキャンし、カスタマイズされたレコメンデーションで解釈可能な火災リスクスコアを受け取ることができる。
デザインにローカルコンテキストを埋め込むことで、このツールはリスク認識と準備のための日々のリソースとなる。
この研究は、ユーザーエクスペリエンスが倫理的かつ効果的なAIデプロイメントの中心であり、PALEIフレームワークを気候関連の危険に適用するための、複製可能なリテラシー優先の経路を提供する、と論じている。
関連論文リスト
- A Fuzzy Logic Framework for Community-Aware Crime Hotspot Detection: Prototype Application Architecture and Exploratory Validation for an Urban Computing Platform [0.0]
本稿では,都市犯罪ホットスポットの検出とリアルタイム通知のためのファジィ論理ベースのフレームワークとして,アーバンコンピューティングセミナープロジェクトを再編成する。
提案するプラットフォームは、市民報告、歴史的犯罪データ、文脈的都市指標、ファジィルールを組み合わせて、局所的なリスクレベルを推定する。
この評価は、知覚的有用性、通知関連性、ユーザビリティ、信頼、プライバシー問題、多言語アクセシビリティ、およびコミュニティレポートの受け入れに焦点を当てている。
論文 参考訳（メタデータ） (2026-06-12T01:31:19Z) - Beyond Local vs. External: A Game-Theoretic Framework for Trustworthy Knowledge Acquisition [32.10740279777031]
クラウドでホストされるLarge Language Models(LLM)は、未整合推論機能と動的知識を提供するが、外部サービスに生クエリを送信することで、ユーザの意図が露呈するリスクがある。
GTKA(Game-theoretic Trustworthy Knowledge Acquisition)は,戦略ゲームとしての知識ユーティリティとプライバシのトレードオフを定式化するフレームワークである。
論文 参考訳（メタデータ） (2026-04-25T19:08:51Z) - ContextLens: Modeling Imperfect Privacy and Safety Context for Legal Compliance [49.524070843587594]
本研究では,大規模言語モデル(LLM)を活用し,法的領域における入力コンテキストを基盤とするセミルールベースのフレームワークであるContextLensを提案する。
我々は、General Data Protection Regulation()とEU AI Actをカバーする既存のコンプライアンスベンチマークの実験を行います。
その結果、ContextLensはLLMのコンプライアンス評価を大幅に改善し、トレーニングなしで既存のベースラインを越えられることが示唆された。
論文 参考訳（メタデータ） (2026-04-14T05:35:38Z) - Frontier AI Auditing: Toward Rigorous Third-Party Assessment of Safety and Security Practices at Leading AI Companies [57.521647436515785]
私たちはフロンティアAIの監査を、フロンティアAI開発者の安全とセキュリティに関する主張の厳格な第三者による検証として定義しています。
本稿では,AI保証レベル(AAL-1からAAL-4)について紹介する。
論文 参考訳（メタデータ） (2026-01-16T18:44:09Z) - Challenges of Evaluating LLM Safety for User Welfare [0.3749446315124487]
ユーザコンテキストを考慮した評価設計におけるユーザコンテキストの説明に関する根本的な疑問から,ユーザインタフェースの安全性評価の開発は簡単ではない,と我々は主張する。
我々は,GPT-5,Claude Sonnet 4,Gemini 2.5 Proから,さまざまな脆弱性のユーザプロファイルを通じて,財務と健康に関するアドバイスを評価した。
我々の研究は、多様なユーザプロファイルに対する応答を評価するために、効果的なユーザ・ウェルフェアの安全性評価が必要であることを証明している。
論文 参考訳（メタデータ） (2025-12-11T14:34:40Z) - Large AI Model-Enabled Secure Communications in Low-Altitude Wireless Networks: Concepts, Perspectives and Case Study [92.15255222408636]
低高度無線ネットワーク(LAWN)は、様々なアプリケーションをサポートすることにより、通信に革命をもたらす可能性がある。
LAWNにおけるセキュア通信のための大規模人工知能モデル(LAM)対応ソリューションについて検討する。
LAWNにおけるセキュア通信のためのLAMの実用的メリットを示すために,新しいLAMベースの最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-01T01:53:58Z) - REVAL: A Comprehension Evaluation on Reliability and Values of Large Vision-Language Models [59.445672459851274]
REVALは、Large Vision-Language Modelsの textbfREliability と textbfVALue を評価するために設計された包括的なベンチマークである。
REVALには144K以上の画像テキストビジュアル質問回答(VQA)サンプルが含まれており、信頼性と価値の2つの主要なセクションで構成されている。
主流のオープンソースLVLMや,GPT-4oやGemini-1.5-Proといった著名なクローズドソースモデルを含む26のモデルを評価した。
論文 参考訳（メタデータ） (2025-03-20T07:54:35Z) - AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。
このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
論文 参考訳（メタデータ） (2025-02-19T05:58:52Z) - Is it safe to cross? Interpretable Risk Assessment with GPT-4V for Safety-Aware Street Crossing [8.468153670795443]
本稿では,大規模なマルチモーダルモデル(LMM)を活用し,複雑な交差点シーンを解釈する革新的な手法を提案する。
安全スコアとシーン記述を自然言語で生成することにより,視覚障害者の安全意思決定を支援する。
論文 参考訳（メタデータ） (2024-02-09T21:37:13Z) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳（メタデータ） (2022-12-19T17:51:47Z)
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。