Merging Roles and Expertise: Redefining Stakeholder Characterization in Explainable Artificial Intelligence
Notice bibliographique
Résumé
Explainable Artificial Intelligence (XAI) strives to make Artificial Intelligence Systems (AIS) more understandable, thus tackling the “black box” challenge. However, successful implementation requires precise identification of XAI requirements, made complex by the absence of universally accepted protocols. Given the importance of identifying stakeholders in this quest, this article proposes an innovative framework to characterize them. We compare and merge two predominant approaches: role-based and knowledge-based characterizations. The result is a novel framework, segmenting knowledge into subcategories while linking them to specific roles. This XAI Roles and Knowledge Framework offers a flexible methodology that can be adapted to the nuances of each XAI project. By providing a balance between specificity and generality, this tool aims to guide the implementation of XAI while ensuring that the stakeholders' needs are taken into account. By using this approach, XAI projects benefit from a more precise identification of needs, leading to outcomes more closely aligned with user expectations and greater transparency in AI decisions.
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 | 0,026 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,016 |
| Communication savante | 0,009 | 0,027 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».