論文の概要: Shaping the Future of Generative AI for Black Communities: A Frame Analysis of Public Discourse and Empirical Scholarly Research

• arxiv url: http://arxiv.org/abs/2608.24767v1
• Date: Tue, 25 Aug 2026 16:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.092246
• Title: Shaping the Future of Generative AI for Black Communities: A Frame Analysis of Public Discourse and Empirical Scholarly Research
• Title（参考訳）: 黒人コミュニティのためのジェネレーティブAIの未来を形作る:公開談話と実証学術研究の枠組み分析
• Abstract要約: 我々は,公共の談話や実証研究を通じて,ジェネアシステムによる黒人社会への影響を探究する。 91件の実証論文の体系的文献レビュー(SLR)と28件の公開資料のメディア談話フレーム分析を行った。 我々のSLRは、学術研究が技術的バイアスの検出に重点を置いていることを明らかにし、文化慣行や構造条件、ブラックナレッジシステムに携わるよりも、ブラックネスを測定可能な変数に還元している。
• 参考スコア（独自算出の注目度）: 15.341901187251699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As generative AI (genAI) systems become embedded in education, employment, healthcare, and creative industries, the impact and engagement among marginalized groups have become both a widespread discourse and a focus in scholarly research. As a starting point, we examine public discourse and empirical research to explore the impact of genAI systems on Black communities. We conducted a systematic literature review (SLR) of 91 empirical papers alongside a media discourse frame analysis of 28 public resources, applying Entman's framing theory to map how each corpus defines problems, attributes causes, and proposes treatments. Our SLR reveals that scholarly research concentrates heavily on technical bias detection, reducing Blackness to measurable variables rather than engaging with cultural practices, structural conditions, or Black knowledge systems. Our frame analysis reveals that public discourse attributes genAI-related harm to historical and systemic forces, while scholarly research stops its causal accounts at the dataset and its treatment recommendations at technical reform. We demonstrate that this misalignment is structurally produced: anti-Blackness operates simultaneously across both registers, generating a shared evacuation of Black epistemic agency. We argue for frame analysis as an AI ethics methodology capable of surfacing what technical evaluation forecloses.
• Abstract（参考訳）: ジェネレーティブAI(genAI)システムが教育、雇用、医療、創造産業に組み込まれていくにつれ、疎外化グループにおける影響と関与は広く議論され、学術研究に焦点が当てられている。 出発点として、公共の談話や実証研究を検証し、ジェネアシステムが黒人社会に与える影響を探求する。 論文の体系的文献レビュー(SLR)とメディア談話フレーム分析(メディア談話フレーム分析)を併用し,Entmanのフレーミング理論を適用し,各コーパスが問題や属性の原因をどう定義するかを図解し,治療を提案する。 我々のSLRは、学術研究が技術的バイアスの検出に重点を置いていることを明らかにし、文化慣行や構造条件、ブラックナレッジシステムに携わるよりも、ブラックネスを測定可能な変数に還元している。 分析の結果,学術的な研究により,データセットの因果関係や技術的改革における治療勧告が途絶えているのに対し,公開談話はゲンカイ関連害を歴史的・体系的な力に起因していることが判明した。 抗ブラックネスは両レジスタをまたいで同時に作用し,ブラック・エピステミック・エージェンシーの共用避難を発生させる。 我々は,人工知能の倫理的方法論としてフレーム分析を議論する。

関連論文リスト

• Evaluating Large Language Models for Antisemitic Incident Classification [64.21103964951531]
  本稿では, 有害事象検出の課題を紹介し, きめ細かいラベルによる反ユダヤ事象の報告の発見と分類を行うAIシステムの能力について検討する。 OpenAIのGPT-4oとMetaのLlama-3.2-3B-Instructing on datasets including antisemitic event descriptions from News article, civil society report, and official records。
  論文  参考訳（メタデータ） (2026-07-06T10:14:53Z)
• Machine Learning and Public Health: Identifying and Mitigating Algorithmic Bias through a Systematic Review [3.4137115855910767]
  機械学習(ML)におけるアルゴリズムバイアスは、既存の健康格差を必然的に補強する可能性がある。 本稿では,2021年から2025年までのオランダの公衆衛生ML研究において,アルゴリズムバイアスの同定,議論,報告に関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2025-10-16T13:24:11Z)
• Yet another algorithmic bias: A Discursive Analysis of Large Language Models Reinforcing Dominant Discourses on Gender and Race [4.10874761487336]
  LLM(Large Language Models)は、様々な文脈において広く使われてきた言語モデルである。 より洗練されたバージョンへと進化するにつれて、差別や人種化といったバイアスを再現するかどうかを評価することが不可欠である。 本研究では,このような手法を補完する定性的・非帰的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-14T03:22:02Z)
• A Unifying Bias-aware Multidisciplinary Framework for Investigating Socio-Technical Issues [6.307051347179095]
  本稿では,社会科学(SS)とコンピュータ科学(CS)の分野を統合することを目的とする。 社会科学と機械学習(ML)の様々な分析手法を構造化シーケンスに適用し、調査対象の特定と定量化の手法に到達した。 このフレームワークの中核的な特徴は、バイアスが発生する場所を強調し、それを緩和するためのステップを提案することである。 筆者らは,英国におけるデジタル化社会住宅サービスへのアクセス・利用において,少数民族(ME)コミュニティが直面したオンライン被害の多分野調査に利用した。
  論文  参考訳（メタデータ） (2025-05-06T14:52:04Z)
• Hierarchical Narrative Analysis: Unraveling Perceptions of Generative AI [1.1874952582465599]
  大規模言語モデル(LLM)を利用して,これらの構造を階層的な枠組みに抽出・整理する手法を提案する。 我々は,日本の文化庁が収集した生成AIに関する世論を分析して,このアプローチを検証する。 我々の分析は、生成的AIに対する多様な意見に影響を与える要因のより明確な可視化を提供し、合意と不一致の構造に関する深い洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-17T09:56:12Z)
• STRICTA: Structured Reasoning in Critical Text Assessment for Peer Review and Beyond [68.47402386668846]
  本研究では,テキストアセスメントをステップワイド推論プロセスとしてモデル化するために,Structured Reasoning In Critical Text Assessment (STRICTA)を導入する。 STRICTAは、因果性理論に基づく相互接続推論ステップのグラフに評価を分解する。 約40人のバイオメディカル専門家が20以上の論文について4000以上の推論ステップのデータセットにSTRICTAを適用した。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• The Case for Globalizing Fairness: A Mixed Methods Study on Colonialism, AI, and Health in Africa [16.7528939567041]
  我々は,アフリカにおける公平性を考慮した不均質の軸を提案するために,スコーピングレビューを実施している。 次に,一般人口調査参加者672名と,ML,健康,政策の専門家28名と質的研究を行った。 我々の分析は、関心の属性として植民地主義に焦点を当て、人工知能(AI)、健康、植民地主義の相互作用を調べる。
  論文  参考訳（メタデータ） (2024-03-05T22:54:15Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
  我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。 我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。 我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
  論文  参考訳（メタデータ） (2022-11-07T16:19:42Z)
• Multi-dimensional Racism Classification during COVID-19: Stigmatization, Offensiveness, Blame, and Exclusion [1.0878040851638]
  我々は、人種差別検出のための多次元モデル、すなわち、スティグマティゼーション、攻撃性、非難、排除を開発する。 この分類学的検出は、新型コロナウイルス(COVID-19)中のデジタルプラットフォームにおける人種差別的議論の根底にある微妙さに関する洞察を可能にする。
  論文  参考訳（メタデータ） (2022-08-29T00:38:56Z)
• Towards Identifying Social Bias in Dialog Systems: Frame, Datasets, and Benchmarks [95.29345070102045]
  本稿では,ダイアログの安全性問題に対する社会的バイアス検出に焦点をあてる。 まず,会話における社会的バイアスを現実的に分析する新しいダイアルバイアスフレームを提案する。 中国初の社会バイアスダイアログデータセットであるCDail-Biasデータセットを紹介する。
  論文  参考訳（メタデータ） (2022-02-16T11:59:29Z)

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。