《公共政策中的机器学习:可解释性的危险和承诺》

  • 来源专题:数智化图书情报
  • 编译者: 闫亚飞
  • 发布时间:2023-07-11
  • 机器学习 (ML) 可以通过对复杂关系进行建模和增强人类决策来对公共政策产生重大影响。然而,对结果的过度自信和错误解释的算法可能导致危险,例如结构性不平等的永久化。在此观点中,作者概述了ML并讨论了其可解释性的重要性。此外,他们还提供了以下建议,这将有助于政策制定者制定可信、透明和负责任的信息,从而做出更客观、更公平的政策决策:(1)通过协调投资改善数据;(2)接近ML期望可解释性,并具有批判性;(3)利用可解释的ML来理解政策价值并预测政策影响。
  • 原文来源:https://www.rand.org/pubs/perspectives/PEA828-1.html
相关报告
  • 《Cell丨从蛋白质图像中机器学习可解释的细胞力学模型》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2024-01-10
    • 2024年1月8日,芝加哥大学詹姆斯-弗兰克研究所的科研人员在Cell上发表了题为Machine learning interpretable models of cell mechanics from protein images的研究论文。 细胞的形态和功能源于细胞质内复杂的机械化学系统。目前,还没有系统的策略可以从细胞的分子成分推断出细胞的大规模物理特性。这是理解细胞粘附和迁移等过程的障碍。 该研究开发了一个数据驱动的建模管道来学习粘附细胞的机械行为。作者首先训练神经网络,从细胞骨架蛋白的图像中预测细胞力。令人吃惊的是,单个焦点粘附(FA)蛋白(如zyxin)的实验图像就足以预测作用力,并能推广到未见过的生物机制。利用这一观察结果,作者开发了两种方法--一种受物理学制约,另一种则与物理学无关--来构建数据驱动的细胞力连续模型。这两种方法都揭示了细胞力是如何被两种不同的长度尺度编码的。除了粘附细胞力学,作者的工作还可作为将神经网络整合到细胞生物学预测模型中的案例研究。
  • 《日本核电专家:日本政府背弃承诺 核污染水排海十分危险》

    • 来源专题:能源情报网信息监测服务平台
    • 编译者:guokm
    • 发布时间:2023-03-06
    • 位于日本东京的“原子力资料情报室”长期关注福岛核事故的处理过程。该机构负责人伴英幸是从事核电研究30多年的专家,3月4日他在接受总台记者采访时表示,向海洋排放福岛第一核电站核污染水,可能会对生态环境造成巨大影响。他们坚决反对日本政府和东京电力公司将核污染水排入海洋。 伴英幸称,日本政府和东京电力公司一直称福岛核污染水为所谓的“处理水”,其目的就是为了混淆视听。福岛第一核电站存储罐中的核污染水中所含的很多放射性物质远远超过安全标准。   东京“原子力资料情报室”负责人 伴英幸:东京电力公司的说法是错误的,处理过程只能移除放射性元素的一部分,100%移除是做不到的。我们曾多次要求公开相关数据,但他们始终都不公开相关数据,东电完全没有听取我们的建议。   伴英幸介绍,福岛第一核电站核污染水中所含有的氚以及其他放射性元素,在海洋环境中有可能进入生物体内,并通过食物链形成生物富集,也就是有毒害物质含量沿生物链在各级生物体内逐渐递增的现象,进而影响整个生物圈。   东京“原子力资料情报室”负责人 伴英幸:已有很多科研论文结果显示氚会形成生物富集。此外,氚还可能与脱氧核糖核酸中的氢元素发生置换,这一点也已得到了证明。我认为东电对于这些问题都没有做出正确的说明。   为了对外证明核污染水的所谓“安全性”,东电公司从去年开始,进行了用核污染水饲养比目鱼的试验。伴英幸认为,东电的所谓试验无法令人信服。   东京“原子力资料情报室”负责人 伴英幸:处理过后的核污染水不仅仅是含有氚,还有其他放射性元素,即便量可能比较小,但东电完全没有对这些放射性元素进行分析,比如说锶的放射性同位素。东电完全不对其他放射性元素的影响进行评估,唯独强调氚的问题,似乎是想对人们造成误导。   日本政府曾表示,不得到利益攸关方的理解和同意,不会对福岛核电站核污染水做出任何处置。伴英幸表示,目前为止,包括日本渔业团体在内,日本国内外对于核污染水排海仍充满了反对和质疑之声,日本政府贸然决定于今年将核污染水排海,显然是背弃了当年的承诺。   东京“原子力资料情报室”负责人 伴英幸:(日本政府和东电)应充分考虑什么才是最好的核污染水处理办法,排海既会影响到海洋环境,也会影响到当地渔业,必须把这些因素的影响都进行充分评估。现在日本政府和东电完全没有做这些事情,只是一意孤行。我觉得这是很严重的问题。