$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝포키즈를 활용한 데이터 편향 인식 학습: AI야구심판 사례
Learning Method of Data Bias employing MachineLearningforKids: Case of AI Baseball Umpire 원문보기

정보교육학회논문지 = Journal of the Korean Association of Information Education, v.26 no.4, 2022년, pp.273 - 284  

김효은 (국립한밭대학교 인문교양학부)

초록
AI-Helper 아이콘AI-Helper

본고의 목표는 데이터 편향 인식 교육에서 기계학습 플랫폼의 사용을 제안하는 것이다. 학습자들이 인공지능 데이터 및 시스템을 다루거나 인공지능윤리 요소 중 데이터 편향에 의한 피해를 방지하고자 할 때 인지할 수 있는 역량을 배양할 수 있다. 구체적으로, 머신러닝포키즈를 활용해 데이터편향 학습을 하는 방법을 AI야구심판 사례를 통해 제시한다. 학습자는 구체적 주제선정, 선행연구 검토, 기계학습 플랫폼에서 편향/비편향 데이터의 입력 및 테스트 데이터 구성, 기계학습의 결과 비교, 결과를 통해 얻을 수 있는 데이터 편향에 대한 함의를 제시한다. 이러한 과정을 통해서 학습자는 인공지능 데이터 편향이 최소화되어야 한다는 점과 데이터 수집 및 선정이 사회에 미치는 영향을 체험적으로 배울 수 있다. 이 학습방법은 문제기반의 자기주도 학습의 용이성, 코딩교육과의 결합가능성, 그리고 인문사회적 주제와 인공지능 리터러시와 결합을 추동한다는 의의를 가진다.

Abstract AI-Helper 아이콘AI-Helper

The goal of this paper is to propose the use of machine learning platforms in education to train learners to recognize data biases. Learners can cultivate the ability to recognize when learners deal with AI data and systems when they want to prevent damage caused by data bias. Specifically, this pap...

주제어

참고문헌 (15)

  1. Kim, Hyo-eun (2021). Fairness Criteria and Mitigation of AI Bias, Kor. J. Psychol.: Gen., 2021, 40(4), 459-485. 

  2. Joint ministries (2021). Reliable artificial intelligence realization strategy, May 13. Artificial Intelligence-based Policy Division, Ministry of Science and ICT. https://www.korea.kr/common/download.do?fileId195009613&tblKeyGMN 

  3. Barocas, S., Hardt, M., & Narayanan, A. (2017). Fairness in machine learning. Nips tutorial, 1. https://arxiv.org/ct?urlhttps%3A%2F%2Fdx.doi.org%2F10.1007%2F978-3-030-43883-8_7&v31e44ca0hn 

  4. "U.S. Open without referee, AI referee fills in", The Chosun Ilbo, Korea. 2020.09.01. https://www.chosun.com/sports/2020/09/01/J2KCIOURXRBWJARQB7DRHHZXPQ 

  5. "KBO, This year, the 2nd district 'robot referee' pilot operation... Ball strike judgment" Younghap News, Korea, 2021. 6.29. https://www.yna.co.kr/view/AKR20210629159600007" 

  6. "International Gymnastics Federation's '3D technology and AI referee' World Cup competition", Younghap News, Korea, 2018.11.21. https://www.yna.co.kr/view/AKR20181121057600007 

  7. Parsons, Christopher A., Johan Sulaeman, Michael C. Yates, and Daniel S. Hamermesh. 2011. "Strike Three: Discrimination, Incentives, and Evaluation." American Economic Review, 101 (4): 1410-35. 

  8. Teachable Machine, https://teachablemachine.withgoogle.com 

  9. Machine Learning for Kids, https://machinelearningforkids.co.uk 

  10. Pariser, E. (2011). The filter bubble: What the Internet is hiding from you. Penguin UK. https://dl.acm.org/doi/10.5555/2029079 

  11. Vries, T., Misra, I., Wang, C., & van der Maaten, L. (2019). Does object recognition work for every one?. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 52-59. 

  12. Prates,M. O., Avelar, P. H., & Lamb, L. C.(2020). Assessing gender bias in machine translation: a case study with google translate. Neural Computing and Applications, 32(10), 6363-6381. 

  13. Tan, S., Caruana, R., Hooker, G., & Lou, Y. (2017). Detecting bias in black-box models using transparent model distillation. arXiv preprint. Retrieved from https://arXiv:1710.06169 

  14. Skeem, J. L., & Lowenkamp, C. T. (2016). Risk, race, and recidivism: Predictive bias and disparate impact. Criminology, 54(4), 680-712. 

  15. Bigman, Y. E., Yam, K. C., Marciano, D., Reynolds, S. J., & Gray, K. (2021). Threat of racial and economic inequality increases preference for algorithm decision-making. Computers in Human Behavior, 122, 106859. 

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로