人工智能与人类未来实验室
人工智能在研究、学习与工作中的应用,以及批判性思维与人类协作。 一个开放的实验空间:由成员主动发起、自行纠错并选择伙伴;实验室不会替成员管理项目。
目标: 学习构建一个小项目,包括真实问题、证据来源、输出核查和伦理反思。 成员自行选择情境,并记录所用资料和所作修改;仅凭参与不会获得等级或积分。
人工智能在研究、学习与工作中的应用,以及批判性思维与人类协作。 一个开放的实验空间:由成员主动发起、自行纠错并选择伙伴;实验室不会替成员管理项目。
目标: 学习构建一个小项目,包括真实问题、证据来源、输出核查和伦理反思。 成员自行选择情境,并记录所用资料和所作修改;仅凭参与不会获得等级或积分。
本地实验笔记本 — 可让你导出作品,而无需发送给我们。
确定学习或服务中的问题,并表达特定问题,该问题命名受益人、时间框架和可以检查的结果。 避免将假设转化为事实,并定义您可以在不收集个人数据的情况下衡量的内容。
应用扩展 — 测试假设:选择三个独立的声明并为每个声明写一个可验证的答案。 设置两个明确的比较标准(信息的准确性和置信限),并将结果与过时的主要来源进行比较。 不要输入人们的姓名或私人数据,并记录输出之间的任何差异。
创建问题卡:上下文、问题、三个替代假设和两个可衡量的指标。
具有可追溯公共资源的过时问题卡。
回答: 一个可测试的问题命名了受益人、时间框架和可以检查的结果; 一个一般性的问题无法判断其结果。
回答: 替代方案阻止我们将我们的第一个假设视为事实,并推动我们寻找区分它们的证据。
回答: 使用常规、聚合或发布的指标,避免使用姓名或任何识别个人的东西。
以三种方式重新表述相同的请求并比较答案。 检查其原始来源中的引用参考文献,并区分事实、推论和无证主张。 讨论语言和上下文如何影响结果。
应用扩展——风险和偏差矩阵:在不同的上下文和语言中测试答案,并确定如果用户在没有审查的情况下依赖它可能会受到伤害。 将概率与证据分开,并让人作为决策者; 记录纠正措施和仍然未知的限制。
建立一个比较证据支持的答案、一个矛盾的答案和一个仍然需要验证的主张的表格。
证据表、警告和纠正措施。
回答: 它显示了答案是否保持稳定或随着措辞而变化,这表明它的可靠性。
回答: 事实由可验证的来源支持,推论是建立在证据之上的解释,无证主张没有来源。
回答: 人:该工具建议,而用户验证、决定和承担责任。
设计一个简单的程序,帮助学习者选择学习来源或组织学习路径,将最终批准留给个人并记录模型的限制。
应用扩展 — 以人为本的设计:构建一个小型原型,帮助用户在不决定的情况下进行选择。 将没有 AI 的选项与 AI 支持的选项进行比较,并测试用户是否可以对输出进行竞争、理解和退出服务。
设计一个三步交互模型,并用两个假设的场景进行测试,没有真实数据。
工作流程图、测试结果和关于使用限制的说明。
回答: 一个人在审查系统的输出并在它们产生任何影响之前批准或拒绝它们方面发挥着作用。
回答: 找出人工智能是否增加了真正的价值或一个更简单的替代方案是否足够。
回答: 输出是否可以有争议,是否可以解释,以及用户是否可以选择退出服务。
写一个演示文稿,涵盖问题、方法、证据和无效的内容。 请求另一个学科的批评,并在下一个版本中包含更改。
应用扩展 — 更改后的审计结果:仅更改一个元素后重复实验并显示其对结果的影响。 记录所使用的模型版本、测试日期、任何故障以及复制工作所需的条件。 不要声称您未测量的准确性或影响。
发表带有开放式问题的简短报告,供多语讨论。
报告的文档版本和更改日志。
回答: 问题、方法、证据、什么不起作用以及后来的变化。
回答: 因此,结果中的任何变化都可以归因于该元素。
回答: 模型或工具版本、测试日期以及使用的条件和设置。
教育和研究实验室:它不授予学历或专业许可证,也不会取代危险或受监管工作的专业监督。 成员自行决定,遵守法律和他人的权利; 如果没有专家的监督,不得将练习变成高风险的专业程序。