The Promise and Limitation of Explainable AI in Smart Cities: A Sociotechnical Perspective
Notice bibliographique
Résumé
Artificial Intelligence tools (AITs) designed for multiuser systems, such as smart cities, often cause a conflict between the fairness perceived by individual users and the group goal embedded into the AI algorithm. This study investigates how explainable AI (XAI) affects user collaboration with AITs in smart cities when fairness conflicts arise between individual and group goals. Drawing on Fairness Heuristics Theory (FHT), we conducted scenario surveys to assess users' intentions to collaborate with smart city AITs while facing the fairness conflict. Our results indicate that XAI's effects vary depending on the specific context and the nature of XAI provided. In a multiuser system like a smart city, when XAI emphasizes group-level prioritization, it can exacerbate the individual user’s fairness conflicts, negatively affecting user-AIT collaboration. Conversely, it can enhance user-AIT collaboration by highlighting individual user features or supported societal goals. Furthermore, there is currently no empirical evidence regarding the effect of XAI during emergencies. These findings underscore both XAI's potential benefits and limitations in promoting user collaboration within multiuser systems. This research contributes to the expanding XAI literature. It also provides insights that can assist practitioners in designing AI technologies that enhance user collaboration in complex environments, such as smart cities.<br /><br />Acknowledgements: This research is supported by the Social Sciences and Humanities Research Council of Canada (SSHRC) Grant #430- 2022-00504. In addition, this work is supported in part by the Institute for Computing, Information and Cognitive Systems (ICICS) at UBC.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».