論文の概要: Can Data Work be Reparative?

• arxiv url: http://arxiv.org/abs/2606.09408v1
• Date: Mon, 08 Jun 2026 12:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.979587
• Title: Can Data Work be Reparative?
• Title（参考訳）: データ作業は分離可能か?
• Authors: Srravya Chandhiramowuli, Ding Wang, Alex Taylor,
• Abstract要約: 市民技術イニシアチブは、オンライン安全システムのためのデータセットを構築している。 フェミニストの観点からは、オンラインの安全に関する懸念に答えることを目指している。 プロセスで遭遇する苦労をトレースする。
• 参考スコア（独自算出の注目度）: 10.945479770016291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an ethnographic study of an alternative approach to data work, developed by a civic-tech initiative that builds datasets for training and benchmarking online safety systems. They aim to respond to online safety concerns from a feminist perspective, by building safety datasets collaboratively with those most impacted by online harms. In this paper, we examine how this approach aims to reorient data work as a site for repair and redress, and trace the struggles they encounter in the process. Specifically, we draw attention to the challenges and tensions involved in advancing just reward for data work and collective governance of AI datasets. Examining these challenges through an STS-informed lens of reparative justice and repair, we argue that the work of repairing data work (and AI) lies, fundamentally, in resetting the ties of accountability. At a time heightened emphasis on efforts like safety evaluations and red teaming to make AI more responsible, we highlight the need to confront foundational questions about how the humans involved in these efforts relate to the datasets and systems they help produce. A reparative lens demands that we interrupt prevailing norms of data work and place at their centre, not AI or datasets, but those most harmed by the neglect, oversight and exclusion animated in the current modes of dataset production. This, we argue, offers a bold vision for responsibility and contributes towards a critical agenda for building alternative futures of data and AI practice.
• Abstract（参考訳）: 我々は、オンライン安全システムのトレーニングとベンチマークのためのデータセットを構築する市民技術イニシアチブによって開発された、データワークの代替アプローチに関するエスノグラフィー研究を紹介する。 彼らはフェミニストの観点からオンラインの安全に関する懸念に応え、オンラインの害に最も影響された人々と協調して安全データセットを構築することを目指している。 本稿では,本手法が修復作業や修復作業の場としてのデータ処理を再編成することを目的としており,その過程で遭遇する困難を追究する。 具体的には、データワークに対する報酬とAIデータセットの集合的ガバナンスを前進させる上での課題と緊張に注意を向けます。 これらの課題をSTSで表現された公正と修復のレンズで調べると、データワーク(とAI)を修復する作業は、基本的には、説明責任の結びつきをリセットすることにある、と論じます。 同時に、安全評価やAIをより責任のあるものにするために、赤いチーム化といった取り組みに重点を置き、これらの取り組みに関わる人間がどのようにデータセットやシステムに関係しているかという根本的な疑問に直面する必要性を強調します。 分離レンズは、AIやデータセットではなく、データ作業の一般的な規範を中断し、その中心に配置することを要求します。 これは、責任に対する大胆なビジョンを提供し、データとAIプラクティスの代替となる未来を構築するための重要な課題に貢献する、と私たちは主張しています。

関連論文リスト

• From Incidents to Insights: Patterns of Responsibility following AI Harms [1.9389881806157316]
  AIインシデントデータベースは航空安全データベースにインスパイアされ、障害からの集合的学習を可能とし、将来のインシデントを防ぐ。 データベースは、ニュースやメディアから収集された数百のAI障害を文書化している。 技術的に焦点を絞った学習を超えて、データセットは新たな、非常に価値のある洞察を提供することができる、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-05-07T09:59:36Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Data-centric AI: Perspectives and Challenges [51.70828802140165]
  データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。 データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
  論文  参考訳（メタデータ） (2023-01-12T05:28:59Z)

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。