論文の概要: Exploring the Social Life of Data: Finding Data You Can Trust
- arxiv url: http://arxiv.org/abs/2608.11395v1
- Date: Tue, 11 Aug 2026 20:01:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.365164
- Title: Exploring the Social Life of Data: Finding Data You Can Trust
- Title（参考訳）: データのソーシャルライフを探求する - 信頼できるデータを見つける
- Abstract要約: 本稿では,研究にデータを用いた場合に蓄積される社会的・実証的な証拠を,目的と信頼の適合性を決定するために活用する方法を考察する。
データ利用グラフは、データセットを出版物、人、機関、トピック、ソフトウェア、モデル、およびそれらが作成および使用される他のデータセットに接続する。
ソース、どの質問、どの組み合わせ、どの方法、そして観測可能な影響に頼っているか。
- 参考スコア（独自算出の注目度）: 7.469556526595981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence is changing the scale and tempo of scientific inquiry. Models can now search, integrate, and reason over data far beyond data repositories familiar to any individual researcher. Yet this expansion creates a prior problem: before a model can produce a trustworthy scientific result, it must locate data that are appropriate for the question, sufficiently reliable for the intended analysis, and accompanied by enough context to support responsible interpretation. As data becomes increasingly abundant, the challenge of finding data has been overcome by the challenge of finding data that you can trust. This paper explores how the social and empirical evidence that accumulates when data are used in research can be used, analogous to social trust networks, to determine fit for purpose and trust. Specifically, the paper explores data-usage graphs as a new layer of scientific data infrastructure. A data-usage graph connects datasets to the publications, people, institutions, topics, software, models, workflows, and other datasets through which they are produced and used. These connections reveal the {\it social life of data:} who has relied on a source, for which questions, in what combinations, with which methods, and with what observable impact. They can turn scattered traces of practice into data-usage descriptors that complement conventional metadata and support judgments of trust and fitness for purpose. The central claim is not that popularity establishes trust, but that this can be grown with appropriate contextual history. Usage evidence must therefore be combined with production quality, provenance, governance, semantic clarity, and community validation. The feasibility and value of data usage graphs is demonstrated by implementing the prototype data insights discovery service within the National Data Platform (NDP).
- Abstract（参考訳）: 人工知能は科学調査の規模とテンポを変えつつある。
モデルは、個々の研究者に慣れ親しんだデータリポジトリを超えて、データを検索し、統合し、推論することができる。
モデルが信頼できる科学的結果を生み出す前に、問題に適したデータを見つけ、意図された分析に十分信頼性を持ち、責任ある解釈をサポートするのに十分なコンテキストを伴わなければならない。
データがますます豊富になるにつれて、データを見つけるという課題は、信頼できるデータを見つけるという課題によって克服されてきた。
本稿では,研究にデータを用いた場合に蓄積する社会的・実証的な証拠を,社会的信頼ネットワークと類似して利用し,目的と信頼の適合性を決定する方法について考察する。
具体的には、科学データ基盤の新たなレイヤとして、データ利用グラフについて検討する。
データ利用グラフは、データセットを出版物、人、機関、トピック、ソフトウェア、モデル、ワークフロー、およびそれらが生成および使用される他のデータセットに接続する。
これらのつながりは、データの社会的生活を明らかにする:} ソースに依存した人物、どの質問、どの組み合わせ、どの方法、そして観測可能な影響を問う。
彼らは、散在した実践の痕跡を、従来のメタデータを補完し、目的のために信頼とフィットネスの判断をサポートするデータ利用記述子に変換することができる。
中心的な主張は、人気が信頼を確立するのではなく、適切な文脈の歴史で成長できるということである。
したがって、使用証拠は生産品質、証明、ガバナンス、意味的明確さ、コミュニティの検証と組み合わせなければならない。
データ利用グラフの実現可能性と価値は、National Data Platform (NDP) のプロトタイプデータ洞察発見サービスを実装することで実証される。
関連論文リスト
- Genuine Information Needs of Social Scientists Looking for Data [3.45796393492046]
社会科学では、調査、インタビュー、世論調査、統計のデータが研究の主要な情報源である。
データアーカイブやオンラインリポジトリで研究データを収集、提供するための長い伝統がある。
研究者たちはこれらのシステムを使って、研究に関連するデータを識別する。
しかし、特にデータ検索において、ユーザの複雑な情報は、データ検索システムの能力と衝突しているように見える。
論文 参考訳（メタデータ） (2026-09-02T08:47:47Z) - How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy [52.00934156883483]
Differential Privacy(DP)は、情報漏洩を推論し、制限するフレームワークである。
Differentially Private Synthetic Dataは、ソースデータの全体的なトレンドを保存する合成データを指す。
論文 参考訳（メタデータ） (2025-12-02T21:14:39Z) - A Datalake for Data-driven Social Science Research [2.285735909183272]
本稿では,学際的な社会科学研究の必要性に合わせたDatalakeインフラストラクチャを提案する。
本システムは,多様なデータ型の取り込みと統合,自動前処理とバージョン追跡,ロールベースのアクセス制御,可視化と解析のための組込みツールをサポートする。
このようなインフラは、特にNGO、学生、草の根組織といった先進的なデータサイエンスの実践へのアクセスを民主化できます。
論文 参考訳（メタデータ） (2025-12-02T06:40:47Z) - Enhancing Data Quality through Simple De-duplication: Navigating Responsible Computational Social Science Research [31.993279516471283]
我々は,計算社会科学のNLPで広く使われている20のデータセットについて,詳細な調査を行う。
分析の結果、ソーシャルメディアのデータセットは様々なレベルのデータ重複を示すことが明らかとなった。
以上の結果から,データ重複が現状の最先端性能の主張に影響を及ぼすことが示唆された。
論文 参考訳（メタデータ） (2024-10-04T15:58:15Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳（メタデータ） (2024-04-11T06:34:17Z) - 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) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Diverse Community Data for Benchmarking Data Privacy Algorithms [0.2999888908665658]
CRC(Collaborative Research Cycle)は、NIST(National Institute of Standards and Technology)のベンチマークプログラムである。
識別アルゴリズムは、他のデータ分析や機械学習アプリケーションに影響を与えるバイアスやプライバシーの問題に弱い。
本稿は,多様な集団間の関係と公平な特定の課題について,CRCの4つの貢献を要約する。
論文 参考訳（メタデータ） (2023-06-20T17:18:51Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳（メタデータ） (2023-04-07T16:38:40Z) - Synthetic Data in Human Analysis: A Survey [16.562921709882865]
調査は、人間分析の分野の研究者や実践者を対象としている。
我々は,現在最先端の手法と合成データの利用の主な利点を要約した調査を行う。
また、利用可能な合成データセットと生成モデルの概要も提供する。
論文 参考訳（メタデータ） (2022-08-19T07:32:34Z) - Measuring Utility and Privacy of Synthetic Genomic Data [3.635321290763711]
人工ゲノムデータを生成するための5つの最先端モデルの実用性とプライバシ保護を最初に評価する。
全体として、ボード全体でうまく機能する合成ゲノムデータを生成するための単一のアプローチは存在しない。
論文 参考訳（メタデータ） (2021-02-05T17:41:01Z)
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。