Expanding Observability via Human-Machine Cooperation

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>

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.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

50601 - Political science

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)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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