Well-designed technologies that offer high levels of human control and high levels of computer automation can increase human performance, leading to wider adoption. The Human-Centered Artificial Intelligence (HCAI) framework clarifies how to (1) design for high levels of human control and high levels of computer automation so as to increase human performance, (2) understand the situations in which full human control or full computer control are necessary, and (3) avoid the dangers of excessive human control or excessive computer control. The methods of HCAI are more likely to produce designs that are Reliable, Safe & Trustworthy (RST). Achieving these goals will dramatically increase human performance, while supporting human self-efficacy, mastery, creativity, and responsibility.
A Checklist for Trustworthy, Safe, and User-Friendly Mental Health Chatbots
University of Illinois Urbana-Champaign, Urbana, United States（伊利诺伊大学厄巴纳-香槟分校）；Indiana University Indianapolis, Indianapolis, United States（印第安纳大学印第安纳波利斯分校）
Toward a Human-Centered Evaluation Framework for Trustworthy LLM-Powered GUI Agents
University of Notre Dame（圣约翰大学）；Northeastern University（东北大学）；Virginia Tech（弗吉尼亚理工大学）；University of Washington（华盛顿大学）；Johns Hopkins University（约翰霍普金斯大学）
PADTHAI-MM: Principles-based Approach for Designing Trustworthy, Human-centered AI using MAST Methodology
Arizona State University（亚利桑那州立大学）；Aptima, Inc.（Aptima公司）；U.S. Department of Homeland Security（美国国土安全部）；Air Force Office of Scientific Research（空军科学研究办公室）
Explainable AI for Safe and Trustworthy Autonomous Driving: A Systematic Review
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Institute of Automotive Engineering, Technical University (TU) of Darmstadt（达姆施塔特工业大学汽车工程研究所）；School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学工程与物理科学学院）
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
Case Western Reserve University（凯斯西储大学）；Shanghai Jiao Tong University（上海交通大学）；Massachusetts Institute of Technology（麻省理工学院）；Columbia University（哥伦比亚大学）；University of California, Riverside（加州大学河滨分校）；Nanyang Technological University（南洋理工大学）；New York University（纽约大学）；Salesforce（Salesforce公司）；Harvard University（哈佛大学）；Stanford University（斯坦福大学）
Tournesol: A quest for a large, secure and trustworthy database of reliable human judgments
EPFL（洛桑联邦理工学院）；Tournesol Association（Tournesol协会）；University of Tours（图尔大学）；CNAM（法国国立工艺学院）；CNRS（法国国家科学研究中心）；UM6P（穆罕默德六世理工大学）；INSA Lyon（里昂国立应用科学学院）；École Polytechnique（巴黎综合理工学院）
当今的大规模算法已经变得非常有影响力，因为它们推荐和审核数十亿人每天接触的内容。他们是我们社会信息饮食的事实上的监管者，从塑造公共卫生观点到组织社会运动团体。这引起了严重的关切，但也带来了促进高质量信息的巨大机会。解决这些问题并抓住机遇是一项具有挑战性的、巨大的、难以置信的努力，因为直觉上吸引人的想法往往伴随着不必要的{ \it副作用}，因为它要求我们思考我们深深喜欢的东西。了解当今的大规模算法是如何构建的，对于确定哪些干预措施最有效至关重要。鉴于这些算法严重依赖于{ \it机器学习}，我们进行以下关键观察：\emph{any algorithm trained on uncontrolled data must not be trusted}。事实上，恶意实体可以控制数据，用危险的操纵性捏造输入毒害它，从而使训练的算法非常不安全。因此，我们认为，迈向安全和道德的大规模算法的第一步必须是收集可靠的人类判断的大型，安全和值得信赖的数据集。为了实现这一点，我们介绍了\emph{Tournesol}，一个开源平台，可在\url{https://tournesol.app}。Tournesol的目标是收集一个大型的人类判断数据库，这些判断是关于算法应该广泛推荐什么（以及它们应该停止广泛推荐什么）。我们概述了Tournesol数据库的结构，Tournesol平台的主要功能以及使其成为一个成功…
