MétaCan
Menu
Retour à la cohorte
Enregistrement W4307290994 · doi:10.3389/frai.2022.1048568

Editorial: Explanation in human-AI systems

2022· editorial· en· W4307290994 sur OpenAlexaff
Anastassia Angelopoulou, Epaminondas Kapetanios, David Harris Smith, Volker Steuber, Bencie Woll, Frauke Zeller

Notice bibliographique

RevueFrontiers in Artificial Intelligence · 2022
Typeeditorial
Langueen
DomaineComputer Science
ThématiqueExplainable Artificial Intelligence (XAI)
Établissements canadiensToronto Metropolitan UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésVolume (thermodynamics)Front (military)Computer scienceEngineeringMechanical engineeringPhysicsThermodynamics

Résumé

récupéré en direct d'OpenAlex

The answer to the question "what is a good explanation for lay users" becomes more challenging within a broader, multi-disciplinary context, as the one of our call, from philosophy to sociology, economics and computer sciences. In this context, XAI should entail another level of discussions that need to be addressed: our relationship, as humans, to AI systems, in general. Nonetheless, the term 'explain' derives from the Latin verb 'explanare', which means, literally, 'to make level'. Thus, the discussions and scientific endeavours into XAI could entail the notion of ourselves 'making level' with AI systems, which again brings us to the old question as to our relationship to and with AI systems. More specifically, bringing in our multifaceted cultural notions of AI and human beings, for instance, in terms of master and servant, or who is and will be dominating whom (e.g., Space Odyssey's HAL).Arguably, the intertwined cultural perceptions and (often incorrect, albeit popular) ideas regarding AI and its potentials ultimately also influence lay persons perceived needs for explanation when interacting with AI systems. For example, when interacting with a social robot, ideally, we should not have any perceived need for explanation -or only as much or little as we would have when interacting with any other social, human companion. Given that we are seeing a machine, however, brings up expectations and impressions formed by popular culture, and thus the need for explanation to, maybe, satisfy a need for safety, trust, etc.Therefore, answering the research question "what is a good explanation" is far from obvious. Seeking answers to this research question has been the main incentive for the launch of this research topic.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,030
Méta-épidémiologie (sens strict)0,0040,001
Méta-épidémiologie (sens large)0,0050,003
Bibliométrie0,0060,002
Études des sciences et des technologies0,0050,005
Communication savante0,0090,006
Science ouverte0,0050,002
Intégrité de la recherche0,0220,026
Charge utile insuffisante (le modèle a refusé de juger)0,0200,017

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,305
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Artificial IntelligenceMême sujetExplainable Artificial Intelligence (XAI)Travaux en français237 207