MétaCan
Menu
Retour à la cohorte
Enregistrement W4312571812 · doi:10.1109/ijcnn55064.2022.9892638

Audit of Computational Intelligence Techniques for EDI-aware Systems

2022· article· en· W4312571812 sur OpenAlexafffund
Noor Abid, Vlad P. Shmerko, Svetlana Yanushkevich

Notice bibliographique

Revue2022 International Joint Conference on Neural Networks (IJCNN) · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEthics and Social Impacts of AI
Établissements canadiensUniversity of Calgary
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaNatural Sciences and Engineering Research Council of CanadaUniversity of Calgary
Mots-clésAuditComputer scienceComputational intelligenceProbabilistic logicEquity (law)Artificial intelligenceData scienceMachine learningOperations researchAccountingBusinessEngineering

Résumé

récupéré en direct d'OpenAlex

The goal of this paper is to audit the applications and trends of the state-of-the-art Computational Intelligence (CI) as an assistive technology for Equity, Diversity, and Inclusion (EDI). To accomplish the audit objective, a roadmapping mechanism was developed and used for the analysis of the CI approaches that were applied and show promise for the research and development of the EDI-aware systems. The audit identifies the strategic CI reserve, comprised of machine reasoning techniques such as probabilistic causal graph models, Granger causal model, and advanced statistical approaches.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,979
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,368
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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations3
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue2022 International Joint Conference on Neural Networks (IJCNN)Même sujetEthics and Social Impacts of AITravaux en français237 207