摘要：伴随着新一代信息技术的纵深发展,算法决策极大提升了政府决策的科学性和精准性。与此同时,算法决策带来的算法歧视、决策“暗箱”、责任性缺失和可解释性不足等困境,导致政府面临着新的决策公平性挑战。本研究基于简化理论和计算机作为行动者理论,分别从人工智能算法简化性视角下的任务客观性和拟人化视角下的情感相似度出发,构建了2(算法任务客观性:主观任务vs客观任务)×2(情感相似度:高vs低)的两因素被试间实验,以1356位上海市居民为被试,分析了任务客观性对公民算法决策接受度的因果关系,检验了情感相似度在这一过程中的调节作用以及感知公平的中介作用。研究发现,相较于执行主观任务,公民对算法决策执行客观任务时的感知程序公平、分配公平和接受度更高。相较于高情感相似度,低情感相似度的情境进一步强化了公民对算法决策的感知程序公平、分配公平和接受度。且当情感相似度较低时,感知程序公平、分配公平在算法决策客观性影响算法决策接受度之间发挥有调节的中介效应。本研究对于算法决策简化属性的情境变化和拟人化边界做了思考,并对公共部门如何引入算法进行辅助决策和改进算法设计提出了对策建议。

摘要：针对在人机交互中,因中文特殊性,导致对话翻译不自然、不流畅等问题,提出一种融合情感的开放域对话翻译系统。为尽可能地挖掘样本数据信息,通过词汇级别向量和字符级别向量相结合的方式,解决分词处理中的OOV问题。并利用双向LSTM解码器,联系单词上下文解码文本隐藏向量。结合引入注意力机制的LSTM解码器,对对话情感分布进行标注,并通过情感判断辅助模型,比较输入语句和输出翻译之间的情感距离,帮助模型确定对话的情感分布。测试结果表明,在对翻译效果的自动测评中,无论是单独单词还是双单词的测评上,融合情感的开放域对话翻译系统比Seq2Seq基本序列模型分别高出0.06和0.3个百分点,而和人工翻译相比则有一定差距;在翻译效果的人工测评中,内容全面性上融合情感的开放域对话翻译系统比Seq2Seq基本序列模型高出0.11-0.29个百分点,情感准确性上情感的开放域对话翻译系统比Seq2Seq基本序列模型高0.03-0.16,两方面较人工翻译都还有不足。这说明无论是在内容还是情感上,情感的开放域对话翻译系统都优于同类型其他翻译模型,具有一定的实用价值。但相较于人工翻译,则还有上升空间,需要进一步的研究。