Expanding Observability via Human-Machine Cooperation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11230%2F22%3A10448510" target="_blank" >RIV/00216208:11230/22:10448510 - isvavai.cz</a>
Výsledek na webu
<a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=iJo5S80fmh" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=iJo5S80fmh</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s10516-022-09636-0" target="_blank" >10.1007/s10516-022-09636-0</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Expanding Observability via Human-Machine Cooperation
Popis výsledku v původním jazyce
We ask how to use machine learning to expand observability, which presently depends on human learning that informs conceivability. The issue is engaged by considering the question of correspondence between conceived observability counterfactuals and observable, yet so far unobserved or unconceived, states of affairs. A possible answer lies in importing out of reference frame content which could provide means for conceiving further observability counterfactuals. They allow us to define high-fidelity observability, increasing the level of correspondence in question. To achieve high-fidelity observability, we propose to use generative machine learning models as the providers of the out of reference frame content. From an applied point of view, such a role of generative machine learning models shows an emerging dimension of human-machine cooperation.
Název v anglickém jazyce
Expanding Observability via Human-Machine Cooperation
Popis výsledku anglicky
We ask how to use machine learning to expand observability, which presently depends on human learning that informs conceivability. The issue is engaged by considering the question of correspondence between conceived observability counterfactuals and observable, yet so far unobserved or unconceived, states of affairs. A possible answer lies in importing out of reference frame content which could provide means for conceiving further observability counterfactuals. They allow us to define high-fidelity observability, increasing the level of correspondence in question. To achieve high-fidelity observability, we propose to use generative machine learning models as the providers of the out of reference frame content. From an applied point of view, such a role of generative machine learning models shows an emerging dimension of human-machine cooperation.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
50601 - Political science
Návaznosti výsledku
Projekt
<a href="/cs/project/LX22NPO5101" target="_blank" >LX22NPO5101: Národní institut pro výzkum socioekonomických dopadů nemocí a systémových rizik</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Axiomathes
ISSN
1122-1151
e-ISSN
1572-8390
Svazek periodika
32
Číslo periodika v rámci svazku
Suppl. 3
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
14
Strana od-do
819-832
Kód UT WoS článku
000864311400001
EID výsledku v databázi Scopus
2-s2.0-85139435175