迈向负责任机器学习的非理想方法论框架

尽管机器学习从业者日益采用各种负责任机器学习（RML）策略，但其在实践中的方法论路径仍不清晰。尤其是具有技术职责的从业者（如开发者、工程师与数据科学家）所受的约束、假设与选择，在人机交互（HCI）及相关领域中往往是隐性的、微妙的且缺乏审查的。我们访谈了跨越七个领域的 22 位技术导向的机器学习从业者，旨在通过公平性的理想与非理想理论视角，理解其 RML 方法论路径的特征。我们发现，从业者的方法论路径沿一条理想化谱系分布。尽管他们通过理想理论构建路径（例如将 RML 工作流从 ML 适用性的探究中抽象出来），但他们并未刻意关注并系统记录其非理想路径（如诊断不完美条件）。在文末，我们讨论了一种受非理想理论要素启发的新方法论路径，以结构化技术从业者的 RML 流程并促进与其他利益相关者的协作。