Checklist essenziale per la ricerca nel Machine Learning

Questa checklist è pensata per aiutare i ricercatori a garantire che i loro articoli seguano le migliori pratiche nel machine learning. Copre aree importanti come Riproducibilità, Trasparenza, Considerazioni Etiche e Impatto sociale. La checklist dovrebbe essere inclusa con il documento ed è una parte essenziale del processo di invio.

#Reclami e Contributi

• Reclami Chiari: Il riassunto e l'introduzione dovrebbero spiegare chiaramente cosa afferma l'articolo. Questo include dichiarare i contributi fatti e menzionare eventuali assunzioni o Limitazioni importanti. Se i reclami non corrispondono ai risultati, potrebbe riflettersi negativamente sul lavoro.
• Limitazioni: L'articolo deve affrontare eventuali limitazioni. Se non ci sono, deve essere dichiarato. È incoraggiata una sezione separata "Limitazioni".
• Assunzioni: L'articolo dovrebbe dichiarare chiaramente le assunzioni forti e discutere quanto siano robusti i risultati se queste assunzioni vengono violate.
• Ambito dei Reclami: Gli autori dovrebbero riflettere su quanto siano ampiamente applicabili i reclami, soprattutto se l'approccio è stato testato solo su pochi dataset o prove.
• Fattori di Performance: Discutere come diversi fattori possono influenzare le performance del metodo. Ad esempio, un sistema di riconoscimento facciale potrebbe avere difficoltà con immagini di bassa qualità.
• Efficienza Computazionale: Discutere come i metodi proposti funzionano con varie dimensioni di dataset.
• Privacy e Equità: Se applicabile, eventuali limitazioni riguardanti privacy ed equità dovrebbero essere affrontate.

#Assunzioni Teoriche e Prove

• Risultati Teorici: Se l'articolo include risultati teorici, tutti i teoremi e le prove dovrebbero essere numerati e riferiti.
• Assunzioni nei Teoremi: Qualsiasi assunzione dovrebbe essere chiaramente dichiarata nei teoremi.
• Prove: Le prove possono essere nel documento principale o nel materiale supplementare. Se nel materiale supplementare, è incoraggiato un breve riassunto.
• Riferimenti: I teoremi e le prove su cui ci si basa dovrebbero essere correttamente citati.

#Risultati Sperimentali e Riproducibilità

• Esperimenti Inclusi: Se l'articolo include esperimenti, dovrebbe dettagliare come riprodurre i risultati, anche se codice e dati non sono forniti.
• Passaggi per la Riproducibilità: Per dataset o modelli, delineare i passaggi presi per garantire che i risultati siano riproducibili. Questo potrebbe comportare fornire accesso al modello o descrivere l'architettura in dettaglio.
• Rilascio di Codice e Dati: Anche se è incoraggiato condividere codice e dati, è accettabile dire “No” se la condivisione non è possibile. Tuttavia, l'articolo deve fornire un modo ragionevole per altri di riprodurre i risultati.
• Istruzioni: Includere istruzioni chiare su accesso ai dati e preparazione per la riproducibilità.

#Impostazione e Dettagli Sperimentali

• Dettagli sugli Esperimenti: L'articolo dovrebbe fornire abbastanza dettagli sull'impostazione sperimentale affinché gli altri comprendano come sono stati ottenuti i risultati.
• Significatività Statistica: Se applicabile, i risultati dovrebbero essere accompagnati da barre di errore, intervalli di confidenza o test di significatività. Gli autori dovrebbero spiegare chiaramente come sono stati calcolati.

#Risorse Computazionali

• Requisiti di Calcolo: L'articolo dovrebbe indicare quale tipo di hardware (CPU o GPU) è stato utilizzato e quanto calcolo è stato necessario per gli esperimenti.
• Stima Totale di Calcolo: Includere stime del totale di calcolo utilizzato nel progetto, non solo degli esperimenti riportati.

#Codice Etico

• Revisione Etica: Gli autori dovrebbero confermare se hanno esaminato il Codice Etico e spiegare eventuali deviazioni se necessario.

#Impatti più Ampi

• Impatto Sociale: Discutere eventuali potenziali impatti sociali negativi della ricerca. Questo può includere uso improprio della tecnologia, problemi di privacy o considerazioni di equità.
• Strategie di Mitigazione: Se ci sono impatti negativi, gli autori dovrebbero discutere come potrebbero affrontare questi rischi.

#Beni Esistenti

• Citare Beni: L'articolo dovrebbe citare eventuali dataset o codice esistenti utilizzati nella ricerca. Dovrebbe anche indicare la versione utilizzata e includere informazioni sulla licenza.

#Nuovi Beni

• Dettagli sui Nuovi Beni: Se l'articolo introduce nuovi dataset o modelli, dovrebbe comunicare dettagli importanti come formazione, licenze e limitazioni.
• Consenso: Se applicabile, discutere se è stato ottenuto il consenso da parte delle persone i cui dati sono inclusi.

#Crowdsourcing e Soggetti Umani

• Dettagli sulla Ricerca Umana: Se la ricerca coinvolge soggetti umani, fornire quante più informazioni possibili sui metodi di ricerca e sui soggetti.

#Approvazioni del Comitato Etico (IRB)

• Approvazione Etica: Se necessario, dichiarare se è stata ottenuta l'approvazione dell'IRB per qualsiasi ricerca che coinvolga soggetti umani.

#Conclusione

Questa checklist punta a promuovere alti standard nella ricerca sul machine learning. Seguendo queste linee guida, i ricercatori possono garantire che il loro lavoro sia responsabile, trasparente e impattante.