論文の概要: AI Transparency: Governance Compliance or Stakeholder Requirements?
- arxiv url: http://arxiv.org/abs/2606.30652v1
- Date: Tue, 16 Jun 2026 03:13:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.608169
- Title: AI Transparency: Governance Compliance or Stakeholder Requirements?
- Title（参考訳）: AIの透明性 - ガバナンスコンプライアンスか,あるいはステークホルダ要件か?
- Abstract要約: 本稿では,オーストラリア政府機関が公開している92の公開AI透明性ステートメントについて,実証分析を行った。
定式化基準から導かれた構造化ルーブリックを用いて,各利害層に対して委任文と公告文の校正方法を評価する。
- 参考スコア（独自算出の注目度）: 1.886618389105112
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transparency is increasingly mandated for public-sector AI systems, with organisations required to publish statements describing their AI use and oversight arrangements. However, the existence of such artefacts is often treated as equivalent to transparency itself, despite limited evidence that they proportionately serve relevant stakeholder groups. From a requirements engineering perspective, this raises a validation concern: compliance with mandated disclosure criteria does not necessarily ensure transparency adequacy for stakeholders with different levels of risk exposure, decision control, and involvement. This paper presents an empirical analysis of 92 publicly available AI transparency statements published by Australian Government agencies under the national AI governance mandate. We introduce the stakeholder Risk--Control--Involvement--Need (RCIN) framework to differentiate stakeholder classes according to their structural position and transparency needs. Using a structured rubric derived from the mandated criteria, we evaluate how both the mandate and published statements are calibrated to each stakeholder class. The findings show that while structural compliance is widespread, transparency calibration is uneven. Criteria serving high-control stakeholders are consistently realised, whereas criteria most critical for high-risk, low-control stakeholders are fewer and less substantively addressed. We conceptualise this as the Transparency Illusion: a condition in which transparency appears satisfied through compliant artefacts yet remains unevenly calibrated to stakeholders bearing the greatest exposure to AI-supported decisions. The study frames transparency as a stakeholder-calibrated validation problem, demonstrating that artefact-level compliance does not constitute requirements validation in this context.
- Abstract（参考訳）: 透明性は、パブリックセクターのAIシステムに対してますます義務付けられている。
しかしながら、そのような人工物の存在は、しばしば透明性そのものと同等のものとして扱われるが、それらが関係する利害関係者グループに比例する証拠は限られている。
義務化された開示基準の遵守は、リスク暴露、意思決定制御、関与のレベルが異なる利害関係者にとって、必ずしも透明性の妥当性を保証するとは限らない。
本稿では,オーストラリア政府機関が公開している92の公用AI透明性ステートメントの実証分析を行った。
リスク・リスク・コントロル・インクルージョン・ネッド(RCIN)フレームワークを導入し、その構造的位置と透明性のニーズに応じて利害関係者のクラスを区別する。
定式化基準から導かれた構造化ルーブリックを用いて,各利害層に対して委任文と公告文の校正方法を評価する。
その結果, 構造コンプライアンスは広く行われているが, 透明性の校正は不均一であることがわかった。
ハイコントロール利害関係者に対する基準は一貫して実現されているが、ハイリスク、低コントロール利害関係者にとって最も重要な基準はより少なく、実質的に対処されていない。
私たちはこれを、透明性イリュージョン(Transparency Illusion)として概念化しています。
この研究は、透明性をステークホルダーの校正された検証問題として捉え、人工物レベルのコンプライアンスがこの文脈で要求の検証を構成していないことを実証した。
関連論文リスト
- Validity, Reliability, and Transparency in Artificial Intelligence Regulation [2.588958866512272]
記事は、現代のAIは、構築の妥当性、欠点、代表性、流通のシフト、公正なトレードオフに関する懸念を提起している。
我々は、比例評価とデプロイメント承認の前提条件として推論が機能すべきであると主張している。
論文 参考訳（メタデータ） (2026-08-06T09:36:15Z) - Time to REFLECT: Can We Trust LLM Judges for Evidence-based Research Agents? [61.49434544687523]
本稿では,エージェント環境におけるきめ細かい故障検出を目的としたメタ評価ベンチマークREFLECTを紹介する。
REFLECTはプロセスレベルの障害モードと結果レベルの障害モードの詳細な分類を定義し、制御および局所的な介入を実行することでインスタンス化する。
私たちの実験では、最高のパフォーマンスモデルでさえ、推論、ツール使用、レポート品質の失敗に対して、全体的なアキュラシーを55%以下に達成しています。
論文 参考訳（メタデータ） (2026-05-18T23:55:08Z) - 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) - Opacity as a Feature, Not a Flaw: The LoBOX Governance Ethic for Role-Sensitive Explainability and Institutional Trust in AI [9.696149761543573]
本稿では,人工知能(AI)の不透明性を管理するために,LoBOX (Lack of Belief: Opacity & eXplainability)ガバナンス倫理を紹介する。
不透明さを設計上の欠陥として扱うのではなく、LoBOXはロールキャリブレーションされた説明と制度的な説明責任によって倫理的に管理できる条件として定義している。
論文 参考訳（メタデータ） (2025-05-18T16:59:45Z) - A Confidential Computing Transparency Framework for a Comprehensive Trust Chain [7.9699781371465965]
Confidential Computingは、ハードウェアベースのTrusted Execution Environmentを通じて、使用中のデータのプライバシを高める。
TEEは脆弱性やバックドアの欠如を保証できないため、ユーザの信頼を必要とします。
機密情報処理の透明性を漸進的に向上するための実践的な経路を組織に提供する3段階の概念フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-05T17:24:05Z) - Peer-induced Fairness: A Causal Approach for Algorithmic Fairness Auditing [0.0]
欧州連合の人工知能法は2024年8月1日に施行された。
リスクの高いAIアプリケーションは、厳格な透明性と公正な基準に従わなければならない。
本稿では,対実的公正性とピア比較戦略の強みを組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-08-05T15:35:34Z) - Foundation Model Transparency Reports [61.313836337206894]
本稿では,ソーシャルメディアにおける透明性レポートの実践を参考に,基礎モデル透明性レポートを提案する。
ソーシャルメディアの透明性レポートの成功と欠点から、6つの設計原則を特定します。
十分に設計された透明性レポートは、規制要件の重複によるコンプライアンスコストの低減につながる可能性がある。
論文 参考訳（メタデータ） (2024-02-26T03:09:06Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - Users are the North Star for AI Transparency [111.5679109784322]
透明な人工知能システムを求める声が広まっているにもかかわらず、この用語は、厳密な政策の目的や具体的な研究ラインのオリエント化を表すために、多義的な意味に過大評価されている。
このことが起こる理由の1つは、AI透明性の明確な理想が、この仕事の体で実現されないことである。
透明性はユーザ中心で、ユーザ指向で、誠実です。
論文 参考訳（メタデータ） (2023-03-09T18:53:29Z) - Trustworthy Artificial Intelligence and Process Mining: Challenges and
Opportunities [0.8602553195689513]
プロセスマイニングは、AIコンプライアンスプロセスの実行に事実に基づく可視性を得るために有用なフレームワークを提供することができることを示す。
AI規制コンプライアンスプロセスの不確実性を分析し、修正し、監視する自動化アプローチを提供する。
論文 参考訳（メタデータ） (2021-10-06T12:50:47Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z)
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。