本方向将人工智能系统本身作为社会科学的研究对象，发展系统性的算法审计方法、偏见检测框架与影响评估工具。它强调通过可重复的、数据驱动的实证研究，揭示算法在公平性、问责制、透明度与社会影响方面的问题，并为实证性的AI治理与政策制定提供科学依据。
感兴趣 都 可 D d 我 奥~
SSCI重点选题：
1. 《机器学习模型在人力资源场景中的群体公平性审计框架研究：基于反事实公平性理论与合成数据集的系统化测试流程》
研究焦点：提出一套标准化的算法审计流程，用于评估简历筛选、晋升预测等HR模型的公平性。核心是利用反事实公平性思想，生成包含受保护属性最小反事实改变的合成简历数据，输入模型观察结果差异，从而量化模型是否存在基于群体的歧视性偏差。
2. 《大型语言模型社会价值观隐含偏向的跨文化对比审计研究：设计标准化价值取向提示集与多维标度评估体系》
研究焦点：开发一套精心设计的、涵盖个人主义/集体主义、权力距离、不确定性规避等多个文化维度的标准化提示问题集。用其测试不同国家研发的主流大语言模型，对回答进行内容分析并量化评分，系统性地对比和审计这些模型在价值观输出上存在的文化偏向及其与训练数据地理来源的关联。
3. 《预测性警务算法的空间正义审计研究：结合历史犯罪数据、社区人口统计与算法预测热图的时空统计分析》
研究焦点：获取某城市历史犯罪数据、人口普查数据及警方使用的预测性警务算法输出的巡逻热点图。运用空间统计方法（如地理加权回归），分析算法预测的热点区域是否系统性地与特定种族或经济水平的社区过度重叠，超越历史犯罪率的单纯预测，从而审计其是否存在加剧现有社会不平等的“反馈循环”。
4. 《面部识别技术性能差异的群体公平性基准测试与影响因素解构研究：构建覆盖广泛人口统计学特征的标准化测试数据集与评估协议》
研究焦点：牵头或采用一个严格遵守伦理、涵盖不同肤色、性别、年龄段的公开面部识别基准测试集。对多种商用或开源算法进行系统测试，精确量化其在不同子群体上的性能差异。进一步，通过控制变量分析，尝试解构是训练数据分布、面部特征提取方法还是其他技术因素导致了这些差异。
5. 《算法推荐系统的信息多样性长期影响评估：基于持久用户面板的纵向研究设计与多样性指标构建》
#社科 #学术论文 #学术 #算法 #统计学 #计算机科学 #机器学习 #计算机视觉 #计算机科学与技术 #心理学研究方向
感兴趣 都 可 D d 我 奥~
SSCI重点选题：
1. 《机器学习模型在人力资源场景中的群体公平性审计框架研究：基于反事实公平性理论与合成数据集的系统化测试流程》
研究焦点：提出一套标准化的算法审计流程，用于评估简历筛选、晋升预测等HR模型的公平性。核心是利用反事实公平性思想，生成包含受保护属性最小反事实改变的合成简历数据，输入模型观察结果差异，从而量化模型是否存在基于群体的歧视性偏差。
2. 《大型语言模型社会价值观隐含偏向的跨文化对比审计研究：设计标准化价值取向提示集与多维标度评估体系》
研究焦点：开发一套精心设计的、涵盖个人主义/集体主义、权力距离、不确定性规避等多个文化维度的标准化提示问题集。用其测试不同国家研发的主流大语言模型，对回答进行内容分析并量化评分，系统性地对比和审计这些模型在价值观输出上存在的文化偏向及其与训练数据地理来源的关联。
3. 《预测性警务算法的空间正义审计研究：结合历史犯罪数据、社区人口统计与算法预测热图的时空统计分析》
研究焦点：获取某城市历史犯罪数据、人口普查数据及警方使用的预测性警务算法输出的巡逻热点图。运用空间统计方法（如地理加权回归），分析算法预测的热点区域是否系统性地与特定种族或经济水平的社区过度重叠，超越历史犯罪率的单纯预测，从而审计其是否存在加剧现有社会不平等的“反馈循环”。
4. 《面部识别技术性能差异的群体公平性基准测试与影响因素解构研究：构建覆盖广泛人口统计学特征的标准化测试数据集与评估协议》
研究焦点：牵头或采用一个严格遵守伦理、涵盖不同肤色、性别、年龄段的公开面部识别基准测试集。对多种商用或开源算法进行系统测试，精确量化其在不同子群体上的性能差异。进一步，通过控制变量分析，尝试解构是训练数据分布、面部特征提取方法还是其他技术因素导致了这些差异。
5. 《算法推荐系统的信息多样性长期影响评估：基于持久用户面板的纵向研究设计与多样性指标构建》
#社科 #学术论文 #学术 #算法 #统计学 #计算机科学 #机器学习 #计算机视觉 #计算机科学与技术 #心理学研究方向
