Navigating the Advent of Human-Machine Teaming
Notice bibliographique
Résumé
The objective of this panel was to discuss issues related to human-machine (or human-agent) teaming (HMT). Panelists were selected to represent diverse interests and backgrounds (i.e., defense, industry, and academia). Chris Brill provided opening remarks to frame the discussion and introduce the panelists. He then raised several questions related to HMT, such as what is HMT, what level of autonomy is required for HMT, and how do we develop trust in autonomous teammates that learn, change, and potentially, individuate. Missy Cummings built on the issue of learning systems, addressing challenges of certifying systems that, as a function of learning, may cease to be known quantities. Bill Evans spoke to the need for transparency in human-agent teaming. Joseph Lyons addressed social factors in HMT. Peter Hancock detailed his concerns about whether forays into HMT are even advisable, particularly as doing so may lead to dehumanization, or worse, volitional demotion of humans from our current status as apex lifeforms on Earth. Lastly, Kevin Oden expanded the discussion of trust in autonomous systems, while also providing thoughts on how to best leverage human capabilities in the context of HMT. The panel then turned to facilitated discussion with panelists and audience members, constituting the majority of the session time. The session concluded with panelists summarizing their thoughts on how HF/E professionals can or should play a role in the advent of HMT.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,003 |
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 ».