人機協作於衝突分析：與和平建設者共同開發文本分類器
arXiv - Human-Computer InteractionAllan Kipyator Kipkemboi Cheboi, Julie Hawke, Hussam Abualfatah, Andrew Sutjahjo, Daniel Burkhardt Cerigo, Rachael Olpengs, William OBrien
透過和平建設者與資料科學家的參與式註解，開發 BERT 分類器，提升肯尼亞分化與蘇丹仇恨言論的適切性與擁有感。
AI 幫你先抓重點
AI 重點 1
參與式註解不僅提升技術效能，更能增強使用者對 AI 的信任與擁有感。
滑鼠懸停看 AI 判斷理由
在敏感人道領域，技術與社群共創能同時解決文化偏差與倫理問題，為教育科技設計者提供可複製的參與式開發模式。
AI 重點 2
開源模型與 HuggingFace 共享降低了技術門檻，使非專業實務者也能快速部署與調整。
滑鼠懸停看 AI 判斷理由
教育工作者可利用現成模型進行本土化訓練，縮短開發週期，提升教學資源多樣性。
核心研究發現
- 1
參與式註解使模型在文化細節上的錯誤率下降，提升了文本分類的語境一致性。
- 2
在肯尼亞分化與蘇丹仇恨言論資料集上，微調 BERT 分類器在測試集上達到高於基線的準確率。
- 3
參與者對 AI 工具的擁有感提升，促進了模型在實務中的採用與持續改進。
- 4
所開發的肯尼亞分化與蘇丹仇恨言論分類器已開源，並可透過 HuggingFace 取得。
對教育工作者的啟發
教育工作者與課程設計者可借鑑此研究，先召集本土和平建設者或相關領域專家共同設計註解任務，確保資料集反映文化細節與語境。利用開源 BERT 模型，可在 HuggingFace 上快速下載並微調，減少開發成本。實務上，將模型嵌入線上監測平台，並設計使用者介面讓教師或社區工作者即時查看分類結果，進一步調整內容。透過持續的迭代與使用者回饋，提升模型的準確度與可接受度，並形成可複製的參與式 AI 開發流程，促進跨領域合作與知識共創。
原始文獻資訊
- 英文標題：
- White Paper: Human-AI Collaboration in Conflict Analysis: Text Classifier Development with Peacebuilders
- 作者：
- Allan Kipyator Kipkemboi Cheboi, Julie Hawke, Hussam Abualfatah, Andrew Sutjahjo, Daniel Burkhardt Cerigo, Rachael Olpengs, William OBrien
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。