Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
paiohne Datum · Q003750

75f9c7c - Partnership on AI

partnershiponai.org · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Text ist nur ein Auszug: Er stellt ein Paper vor, das nach Darstellung seiner Autorinnen und Autoren Missverständnisse und eine unangemessene Übernahme von Begriffen aus dem US-amerikanischen Antidiskriminierungsrecht in ML-Fairnessdefinitionen untersucht. Beispiele und Ergebnisse des Papers sind im Auszug nicht enthalten.

Mittel

Der bereitgestellte Text ist nur ein Auszug, der ein Paper der Partnership on AI zu ML-Fairness und US-amerikanischem Antidiskriminierungsrecht vorstellt. Die Autorinnen und Autoren behaupten, frühere Forschung habe ideologische Unterschiede zwischen Fairnessdefinitionen in ML gezeigt; viele Definitionen würden darüber hinaus die Rechtsbegriffe missverstehen, von denen sie angeblich inspiriert sind, und juristische Sprache unangemessen übernehmen.

Das Paper kündigt Beispiele für diese Fehlanpassung sowie einen Vergleich zwischen ML-Begriffen und ihren rechtlichen Entsprechungen an. Es wolle außerdem erörtern, was beide Fachgemeinschaften aus den Spannungen lernen können. Der Schwerpunkt auf US-Recht wird damit begründet, dass ML-Forschende häufig auf dessen Begriffe zurückgreifen. Der Auszug enthält jedoch weder die angekündigten Beispiele noch konkrete Ergebnisse oder Empfehlungen. Er bietet nur Verweise auf einen Blogbeitrag und das Paper bei arXiv.

Ausführlich lesen

Der bereitgestellte Quelltext ist nur ein kurzer Auszug, kein vollständiger Bericht. Er stellt ein Paper der Partnership on AI zu Fairness in maschinellem Lernen (ML) und US-amerikanischem Antidiskriminierungsrecht vor. Die Autorinnen und Autoren behaupten, frühere Forschung habe ideologische Unterschiede zwischen ML-Fairnessdefinitionen bereits aufgezeigt, besonders mit Blick auf deren Anwendung in komplexen soziotechnischen Systemen. Das Paper gehe darüber hinaus: Viele dieser Definitionen würden auch die Rechtsbegriffe missverstehen, auf die sie sich berufen, und dadurch juristische Sprache unangemessen übernehmen.

Der Auszug kündigt Beispiele für diese begriffliche Fehlanpassung an und sagt, das Paper vergleiche die Verwendung von Begriffen in ML mit ihren rechtlichen Entsprechungen. Außerdem wolle es erörtern, was die Rechts- und ML-Fairnessgemeinschaften aus den Spannungen zwischen diesen Begriffssystemen lernen könnten. Als Schwerpunkt nennt der Text das US-amerikanische Antidiskriminierungsrecht; als Begründung führt er an, dass die ML-Forschung häufig Begriffe aus diesem Rechtsgebiet aufgreife.

Konkrete Beispiele, die im Paper angekündigten Vergleiche, Ergebnisse oder Empfehlungen enthält der vorliegende Auszug nicht. Er verweist lediglich auf einen Blogbeitrag und auf das Paper bei arXiv. Daher lassen sich aus dem bereitgestellten Text keine weitergehenden Aussagen über die Belege oder Schlussfolgerungen der Arbeit ableiten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 63 %Hintergrund, keine Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 41 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →