論文の概要: Global Index on Responsible AI 2026 : Conceptual Framework and Methodology
- arxiv url: http://arxiv.org/abs/2608.18122v1
- Date: Thu, 16 Jul 2026 11:26:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.982682
- Title: Global Index on Responsible AI 2026 : Conceptual Framework and Methodology
- Title（参考訳）: 責任AI2026のグローバルインデックス : 概念的枠組みと方法論
- Abstract要約: 第2版GIRAI(Global Index on Responsible AI)の方法論を報告している。
このエディションは、フレームワークの存在と実装の区別を強化することで、第1版を洗練します。
フレームワークの一貫性と堅牢性を評価するために、独立した統計的事前監査が行われた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This report presents the methodology of the Global Index on Responsible AI (GIRAI), 2nd Edition. This edition refines the 1st Edition by strengthening the distinction between framework existence and implementation, restructuring dimensions from three to five thematic areas, introducing more granular variables for framework quality, and applying a multi-stage review and validation process. An independent statistical pre-audit was conducted to assess the coherence and robustness of the framework. GIRAI assesses responsible AI governance across five dimensions: Inclusion and Diversity, Ethics and Sustainability, Labour and Skills, Trust and Safety, and Use of AI in Public Service. Each dimension has a number of indicators (38 in total), organised into three pillars, namely AI Policy (17 indicators on government frameworks and implementation, assessed through primary data), CSO Engagement (5 indicators, primary data), and Enabling Conditions (15 indicators on the structural factors shaping responsible AI governance, assessed through secondary data), and a government Use of Unacceptable Risk AI (URAI) indicator (primary data), applied separately as an accountability penalty to the final score. Data was collected by 135 country-level researchers through a structured global survey, complemented by secondary datasets. The count, scope, enforceability, thematic coverage, and implementation levels of the data points are coded into numerical variables, normalised to a scale of 100, aggregated through pillar weights of 60% (AI policy), 10% (CSO Engagement), and 30% (Enabling conditions). A deduction penalty is applied for countries with evidence of URAI. This documentation enables systematic cross-national comparison, supporting policymakers, civil society, and AI developers to identify where commitments are translating into enforceable protections and where critical gaps remain.
- Abstract（参考訳）: 本稿では,第2版GIRAI(Global Index on Responsible AI)の方法論について述べる。
このエディションは、フレームワークの存在と実装の区別を強化し、3つのテーマ領域から5つのテーマ領域に次元を再構築し、フレームワークの品質により粒度の細かい変数を導入し、マルチステージのレビューと検証プロセスを適用することで、第1版を洗練します。
フレームワークの一貫性と堅牢性を評価するために、独立した統計的事前監査が行われた。
GIRAIは、包摂性と多様性、倫理と持続性、労働とスキル、信頼と安全、そして公共サービスにおけるAIの利用の5つの側面において、責任あるAIガバナンスを評価する。
それぞれの次元には、AIポリシー(17の政府フレームワークと実施に関する指標、一次データを通じて評価される)、CSOエンゲージメント(5の指標、一次データ)、エナリング条件(15の要因による構造的要因の指標、二次データを介して評価されるAIガバナンスを形成する)、政府による受け入れ不能リスクAI(URAI)指標(一次データ)の3つの柱で構成され、最終スコアに対して説明責任ペナルティとして個別に適用される。
データは、セカンダリデータセットによって補完された構造化されたグローバルサーベイを通じて、135人の国レベルの研究者によって収集された。
データポイントのカウント、範囲、強制可能性、テーマのカバレッジ、実装レベルは、数値変数に符号化され、100のスケールに正規化され、柱重の60%(AIポリシ)、10%(CSOエンゲージメント)、30%(実行条件)で集約される。
浦井の証拠のある国には控除刑が適用される。
この文書は、組織的な国家間比較を可能にし、政策立案者、市民社会、AI開発者をサポートし、コミットメントが強制可能な保護に変換されている場所と、重要なギャップがどこにあるかを特定する。
関連論文リスト
- LAAF: A Layered Accountability Architecture Framework for LLM Applications [11.15280916125281]
大規模言語モデル(LLM)は、病院、法廷、銀行、公共サービスデスクで運用されており、流動的で自信のある出力は、根拠のない、または正しくない場合でも権威あるものとして扱われる。
本稿では,5次元に分解されたアクターとフォーラムの関係として,説明責任の社会技術的説明を統合する。
コーパスは、出所、アプリケーションロジック、ヒューマン監視、ガバナンスとリフレッシュにまたがる4層分類デバイスを通じて読み込まれる。
論文 参考訳（メタデータ） (2026-08-27T13:18:26Z) - Global Index on Responsible AI: 2026 Report [0.0]
世界責任AI指数(Global Index on Responsible AI)は、国家が責任あるAIコミットメントを強制可能な保護、制度的能力、レドレスメカニズムにどのように翻訳するかを調べる。
GIRAI 2026は、包摂性と多様性、倫理と持続性、労働とスキル、信頼と安全、公共サービスにおけるAI利用の5つの側面でこれらを評価する。
スコア100は、すべての国をランク付けする指標から導かれる。
論文 参考訳（メタデータ） (2026-07-16T10:00:56Z) - Structural Quality Gaps in Practitioner AI Governance Prompts: An Empirical Study Using a Five-Principle Evaluation Framework [0.0]
我々は、AIが構造的に完成しているかどうかを評価するためのフレームワークを導入する。
評価の結果,評価されたファイルモデルペアの37%がしきい値以下であることが判明した。
本稿では,AI支援開発における工学的要件の実践の意義について論じる。
論文 参考訳（メタデータ） (2026-04-22T21:18:28Z) - From Reactive to Proactive: A Multi-Regulatory Empirical Analysis of 480 AI Incidents and a Data-Driven Governance Compliance Framework [0.0]
この研究は、AIインシデントデータベースから480の現実世界のAIインシデントを横断的に分析した。
その結果、実質的なガバナンスのギャップが明らかとなり、デプロイ後の説明責任の持続的な弱点が示唆された。
この研究は、プロアクティブAIガバナンスコンプライアンスフレームワーク(PAGCF)を提案し、ガバナンスをリアクティブインシデント対応からデプロイ前コンプライアンスに移行する。
論文 参考訳（メタデータ） (2026-04-10T21:22:55Z) - Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
既存のベンチマークは、主に質問レベルで質問をキュレートする。
ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
論文 参考訳（メタデータ） (2025-12-31T13:55:54Z) - INSEva: A Comprehensive Chinese Benchmark for Large Language Models in Insurance [48.22571187209047]
INSEvaは、保険におけるAIシステムの知識と能力を評価するために設計された中国のベンチマークである。
INSEvaは、ビジネス領域、タスクフォーマット、難易度、認知知識次元をカバーする多次元評価分類を特徴としている。
本ベンチマークでは,オープンエンド応答における忠実度と完全度の両方を評価するための調整された評価手法を実装した。
論文 参考訳（メタデータ） (2025-08-27T03:13:40Z) - AI Governance InternationaL Evaluation Index (AGILE Index) 2025 [13.374492753616067]
AI Governance InternationaL Evaluation Index(AGILE Index)プロジェクトは2023年に開始された。
AGILE指数2025は、科学的厳密さと実用的な適応性とのバランスを改善するために、体系的な改善を取り入れている。
AGILE指数2025は、所得水準、地域、技術開発段階の40か国を評価している。
論文 参考訳（メタデータ） (2025-07-10T04:28:27Z) - SEOE: A Scalable and Reliable Semantic Evaluation Framework for Open Domain Event Detection [70.23196257213829]
オープンドメインイベント検出のためのスケーラブルで信頼性の高いセマンティックレベルの評価フレームワークを提案する。
提案フレームワークはまず,現在7つの主要ドメインをカバーする564のイベントタイプを含む,スケーラブルな評価ベンチマークを構築した。
次に,大言語モデル(LLM)を自動評価エージェントとして活用し,意味的類似ラベルのきめ細かい定義を取り入れた意味的F1スコアを計算する。
論文 参考訳（メタデータ） (2025-03-05T09:37:05Z) - 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) - SeCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [58.29510889419971]
コード生成大型言語モデル(LLM)のセキュリティリスクと能力を評価するための既存のベンチマークは、いくつかの重要な制限に直面している。
手動で検証し、高品質なシード例から始める、汎用的でスケーラブルなベンチマーク構築フレームワークを導入し、ターゲット突然変異を通じて拡張する。
このフレームワークをPython、C/C++、Javaに適用すると、44のCWEベースのリスクカテゴリと3つのセキュリティ機能にまたがる5.9k以上のサンプルデータセットであるSeCodePLTが構築されます。
論文 参考訳（メタデータ） (2024-10-14T21:17:22Z) - GO FIGURE: A Meta Evaluation of Factuality in Summarization [131.1087461486504]
本稿では,現実性評価指標を評価するメタ評価フレームワークGO FIGUREを紹介する。
10個の実測値のベンチマーク分析により、我々のフレームワークが堅牢で効率的な評価を提供することが明らかとなった。
また、QAメトリクスは、ドメイン間の事実性を測定する標準的なメトリクスよりも一般的に改善されているが、パフォーマンスは、質問を生成する方法に大きく依存していることも明らかにしている。
論文 参考訳（メタデータ） (2020-10-24T08:30:20Z)
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。