24、网络信息处理与AI/ML系统可访问性研究

网络信息处理与AI/ML系统可访问性研究

在当今数字化时代，网络信息的传播和人工智能/机器学习（AI/ML）系统的应用变得越来越广泛。然而，随之而来的问题也逐渐凸显，如网络中的错误信息传播以及AI/ML系统的“黑盒”特性导致的可访问性问题。本文将探讨网络信息处理的相关方法以及AI/ML系统可访问性的研究。

网络信息处理的挑战与方法

网络最初是随机的，但随着时间推移会变得越来越有序。当网络中每个节点连接超过2个节点时，网络的互连性会急剧增加。在研究网络时，需要考虑以下挑战：
- 测量敏感性 ：网络对诸如p、l和c等因素具有非线性敏感性，即使测量技术的微小差异也可能导致截然不同的结果。因此，缓解信息问题的方法必须是可测量和可重复的。
- 因果关系要求 ：若要使一种方法被视为具有因果关系，需要更高的严谨性。这种方法应具有外部基础和内部代表性。

为了评估论点，科学和行业中使用了各种哲学方法，以下是几种常见的方法：
|方法|描述|优点|缺点|
| ---- | ---- | ---- | ---- |
|社会建构主义|社会建构的事实是在一个群体中达成共识的事实。真理是群体中个体特征的集合，随着群体或意见的变化，真理的逼真度也可能改变。|适用于社会建构的场景，如预测政治候选人的成功或股票价值。|对于非社会决定的事实效果不佳，难以改变外部客观事实。|
|语言学方法|通过检查论点的结构和用词来评估事实。语言的选择会影响事实是否被认为是错误的。|可重复、可测量。|不是因果关系方法，语言的结构和意义会随用户和时间变化，需要及时更新。|
|公理或启发式方法|