Buchumschlag

Selecting the Right LLM for eGov Explanations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Limonad, Lior, Fournier, Fabiana, Mulian, Hadar, Manias, George, Borotis, Spiros, Kyrkou, Danai
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computers and Society Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Agent Mentor: Framing Agent Knowledge through Semantic Trajectory Analysis
von: Ben-Gigi, Roi, et al.
Veröffentlicht: (2026)

Mimicking the Maestro: Exploring the Efficacy of a Virtual AI Teacher in Fine Motor Skill Acquisition
von: Mulian, Hadar, et al.
Veröffentlicht: (2023)

Agentic AI Process Observability: Discovering Behavioral Variability
von: Fournier, Fabiana, et al.
Veröffentlicht: (2025)

Towards a Benchmark for Causal Business Process Reasoning with LLMs
von: Fournier, Fabiana, et al.
Veröffentlicht: (2024)

Trustworthy artificial intelligence in the energy sector: Landscape analysis and evaluation framework
von: Pelekis, Sotiris, et al.
Veröffentlicht: (2024)

Toward Efficient Convolutional Neural Networks With Structured Ternary Patterns
von: Kyrkou, Christos
Veröffentlicht: (2024)

Fast Calibrated Explanations: Efficient and Uncertainty-Aware Explanations for Machine Learning Models
von: Löfström, Tuwe, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Hypergraph Neural Networks
von: Veglianti, Fabiano, et al.
Veröffentlicht: (2026)

The WHY in Business Processes: Unification of Causal Process Models
von: David, Yuval, et al.
Veröffentlicht: (2025)

The WHY in Business Processes: Discovery of Causal Execution Dependencies
von: Fournier, Fabiana, et al.
Veröffentlicht: (2023)

Properties and Challenges of LLM-Generated Explanations
von: Kunz, Jenny, et al.
Veröffentlicht: (2024)

Procedural Fairness via Group Counterfactual Explanation
von: Popoola, Gideon, et al.
Veröffentlicht: (2026)

BiasGuard: Guardrailing Fairness in Machine Learning Production Systems
von: Cohen-Inger, Nurit, et al.
Veröffentlicht: (2025)

KTCF: Actionable Recourse in Knowledge Tracing via Counterfactual Explanations for Education
von: Kim, Woojin, et al.
Veröffentlicht: (2026)

Expecting the Unexpected: Developing Autonomous-System Design Principles for Reacting to Unpredicted Events and Conditions
von: Marron, Assaf, et al.
Veröffentlicht: (2020)

MESD: A Risk-Sensitive Metric for Explanation Fairness Across Intersectional Subgroups
von: Popoola, Gideon, et al.
Veröffentlicht: (2026)

TABCF: Counterfactual Explanations for Tabular Data Using a Transformer-Based VAE
von: Panagiotou, Emmanouil, et al.
Veröffentlicht: (2024)

New-Onset Diabetes Assessment Using Artificial Intelligence-Enhanced Electrocardiography
von: Zhang, Hao, et al.
Veröffentlicht: (2022)

Acting for the Right Reasons: Creating Reason-Sensitive Artificial Moral Agents
von: Baum, Kevin, et al.
Veröffentlicht: (2024)

Operationalizing the Blueprint for an AI Bill of Rights: Recommendations for Practitioners, Researchers, and Policy Makers
von: Oesterling, Alex, et al.
Veröffentlicht: (2024)

Few-Shot Knowledge Distillation of LLMs With Counterfactual Explanations
von: Hamman, Faisal, et al.
Veröffentlicht: (2025)

Prompt-Counterfactual Explanations for Generative AI System Behavior
von: Goethals, Sofie, et al.
Veröffentlicht: (2026)

HH4AI: A methodological Framework for AI Human Rights impact assessment under the EUAI ACT
von: Ceravolo, Paolo, et al.
Veröffentlicht: (2025)

GECOBench: A Gender-Controlled Text Dataset and Benchmark for Quantifying Biases in Explanations
von: Wilming, Rick, et al.
Veröffentlicht: (2024)

Moral Alignment for LLM Agents
von: Tennant, Elizaveta, et al.
Veröffentlicht: (2024)

On The Fairness Impacts of Hardware Selection in Machine Learning
von: Nelaturu, Sree Harsha, et al.
Veröffentlicht: (2023)

Position Paper: If Innovation in AI Systematically Violates Fundamental Rights, Is It Innovation at All?
von: Castañeira, Josu Eguiluz, et al.
Veröffentlicht: (2025)

Robust Counterfactual Explanations for Neural Networks With Probabilistic Guarantees
von: Hamman, Faisal, et al.
Veröffentlicht: (2023)

LLM Safety Alignment is Divergence Estimation in Disguise
von: Haldar, Rajdeep, et al.
Veröffentlicht: (2025)

Healthcare LLM Benchmarks Are Only as Good as Their Explicit Assumptions
von: Raman, Naveen, et al.
Veröffentlicht: (2026)

NaiAD: Initiate Data-Driven Research for LLM Advertising
von: Zhang, Yihang, et al.
Veröffentlicht: (2026)

Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning
von: Rabanser, Stephan
Veröffentlicht: (2025)

When the Domain Expert Has No Time and the LLM Developer Has No Clinical Expertise: Real-World Lessons from LLM Co-Design in a Safety-Net Hospital
von: Kothari, Avni, et al.
Veröffentlicht: (2025)

The LLM Has Left The Chat: Evidence of Bail Preferences in Large Language Models
von: Ensign, Danielle, et al.
Veröffentlicht: (2025)

A Survey of Privacy-Preserving Model Explanations: Privacy Risks, Attacks, and Countermeasures
von: Nguyen, Thanh Tam, et al.
Veröffentlicht: (2024)

Addressing Selection Bias in Computerized Adaptive Testing: A User-Wise Aggregate Influence Function Approach
von: Kwon, Soonwoo, et al.
Veröffentlicht: (2023)

Authority Inversion in LLM-Mediated Ubiquitous Systems: When Models Trust Users Over Sensors
von: Zhang, Long, et al.
Veröffentlicht: (2026)

Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning
von: Tang, Yinzhou, et al.
Veröffentlicht: (2025)

On the Detectability of LLM-Generated Text: What Exactly Is LLM-Generated Text?
von: Geng, Mingmeng, et al.
Veröffentlicht: (2025)

Can You Trust an LLM with Your Life-Changing Decision? An Investigation into AI High-Stakes Responses
von: Cahyono, Joshua Adrian, et al.
Veröffentlicht: (2025)