随着机器学习（ML）对人类和社会的影响日益增加，人们对其潜在的不良后果的关注也在增强。为了预测、预防和减轻不良的后续后果，关键在于理解伤害在机器学习生命周期中何时以及如何可能产生。在本文中，我们提供了一个框架，识别出机器学习中七个不同的潜在下游伤害来源，涵盖数据收集、开发和部署。通过这样做，我们旨在促进围绕这些问题更有效和精确的沟通，以及更直接、以应用为基础的减轻策略。
Share your take
Add a clinician perspective alongside expert commentary.
Suresh等（周）研究了这个问题.