Teaching Computer Vision and Its Societal Effects: A Look at Privacy and Security Issues from the Students’ Perspective
Notice bibliographique
Résumé
In this paper, we look at the societal effects of computer vision technologies from the perspective of the future minds in computer vision: senior year engineering students. Engineering education has traditionally focused on technical skills and knowledge. Nowadays, the need for educating engineers in socio-technical skills and reflective thinking, especially on the bright and dark sides of the technology they develop, is being recognized. We advocate for the integration of social awareness modules into computer vision courses so that the societal effects of technology can be studied together with the technology itself, as opposed to the often more generic 'impact of technology on society' courses. Such modules provide a venue for students to reflect on the real-world consequences of technology in concrete, practical contexts. In this paper, we present qualitative results of an observational study analyzing essays of senior year engineering students, who wrote about societal impacts of computer vision technologies of their choice. Privacy and security issues ranked as the top impact topics discussed by students among 50 topics. Similar social awareness modules would apply well to other advanced technical courses of the engineering curriculum where privacy and security are a major concern, such as big data courses. We believe that such modules are highly likely to enhance the reflective abilities of engineering graduates regarding societal impacts of novel technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,012 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».