Scifaro

中文

数据模糊性与认知偏差对人道主义决策中机器学习模型可解释性的影响

机器学习 2019-11-13 v1 人机交互机器学习

作者: David Paulus , Gerdien de Vries , Bartel Van de Walle

在 arXiv 上查看 ↗ PDF ↗

摘要

机器学习算法的有效性取决于数据的数量与质量,以及人类分析师的操作化与解释。在人道主义响应中,数据常常匮乏或过载,因而具有模糊性,且人道主义活动所处的时间紧迫、易变且不安全的境况很可能引发认知偏差。本文提出研究数据模糊性与认知偏差对人道主义决策中机器学习算法可解释性的影响。

关键词

机器学习数据模糊性认知偏差可解释性人道主义决策

引用

@article{arxiv.1911.04787,
  title  = {Effects of data ambiguity and cognitive biases on the interpretability of machine learning models in humanitarian decision making},
  author = {David Paulus and Gerdien de Vries and Bartel Van de Walle},
  journal= {arXiv preprint arXiv:1911.04787},
  year   = {2019}
}

备注

3 pager, 1 figure, AAAI Fall Symposium - AI for Social Good, November 7-9, 2019, Arlington, USA