PulseAugur
中
实时 11:14:20
English(EN) Auditing Construct Overlap in Explainable Machine Learning: Evidence from Burnout-Depression Prediction Across Student Cohorts

可解释机器学习风险层级可能是结果构造的产物

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的研究论文探讨了可解释机器学习（XML）管道在应用于复合心理健康结果时，可能产生误导性的稳健风险层级。该研究以洛桑大学的医学生为对象，发现某些因素（如特质性焦虑）在预测中的突出性很大程度上是结果构造方式的产物。通过使用残差化实验来分离共享方差，研究人员证明了这些模型看似的稳定性显著降低，这表明此类管道在解释其发现之前应纳入这些检查。 AI

影响 强调了在解释用于心理健康预测等敏感应用的AI模型时，可能存在的潜在陷阱。

排序理由 发表在arXiv上的研究论文，详细介绍了一种审计ML模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

可解释机器学习风险层级可能是结果构造的产物

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Alireza Dehghan, Negin Ashrafi ·

    Auditing Construct Overlap in Explainable Machine Learning: Evidence from Burnout-Depression Prediction Across Student Cohorts

    arXiv:2607.10633v1 Announce Type: cross Abstract: Explainable machine learning (XML) pipelines applied to composite mental health outcomes can produce apparently-robust, cross-population-stable risk hierarchies that are largely artefacts of how the outcome was constructed. We dem…

相关实体

相关话题