Checklist Essencial para Pesquisa em Aprendizado de Máquina

Essa lista de verificação foi feita pra ajudar pesquisadores a garantir que seus artigos sigam as melhores práticas em aprendizado de máquina. Ela cobre áreas importantes como Reprodutibilidade, transparência, Considerações Éticas e Impacto Social. A lista deve ser incluída com o artigo e é parte essencial do processo de submissão.

#Afirmativas e Contribuições

• Afirmativas Claras: O resumo e a introdução devem explicar claramente o que o artigo afirma. Isso inclui dizer quais são as contribuições feitas e notar quaisquer suposições ou Limitações importantes. Se as afirmativas não baterem com os resultados, pode refletir mal no artigo.
• Limitações: O artigo precisa abordar quaisquer limitações. Se não houver, isso deve ser declarado. Uma seção separada de "Limitações" é encorajada.
• Suposições: O artigo deve deixar claras as suposições fortes e discutir como os resultados são robustos se essas suposições forem violadas.
• Escopo das Afirmativas: Os autores devem refletir sobre quão amplamente as afirmativas se aplicam, especialmente se o método foi testado em apenas alguns conjuntos de dados ou execuções.
• Fatores de Desempenho: Comente sobre como diferentes fatores podem afetar o desempenho do método. Por exemplo, um sistema de reconhecimento facial pode ter dificuldades com imagens de baixa qualidade.
• Eficiência Computacional: Discuta como os métodos propostos desempenham com tamanhos variados de conjuntos de dados.
• Privacidade e Justiça: Se aplicável, quaisquer limitações relacionadas à privacidade e justiça devem ser abordadas.

#Suposições Teóricas e Provas

• Resultados Teóricos: Se o artigo inclui resultados teóricos, todos os teoremas e provas devem ser numerados e referenciados.
• Suposições em Teoremas: Quaisquer suposições devem ser claramente mencionadas nos teoremas.
• Provas: As provas podem estar no artigo principal ou em material suplementar. Se estiverem em material suplementar, um resumo breve é encorajado.
• Referências: Teoremas e provas utilizadas devem ser devidamente referenciadas.

#Resultados Experimentais e Reprodutibilidade

• Experimentos Inclusos: Se o artigo inclui experimentos, deve detalhar como reproduzir os resultados, mesmo que o código e os dados não sejam fornecidos.
• Passos para Reprodutibilidade: Para conjuntos de dados ou modelos, descreva os passos tomados para garantir que os resultados sejam reprodutíveis. Isso pode envolver fornecer acesso ao modelo ou descrever a arquitetura em detalhe.
• Liberação de Código e Dados: Embora compartilhar código e dados seja encorajado, é aceitável dizer "Não" se o compartilhamento não for possível. No entanto, o artigo deve oferecer uma maneira razoável para que outros reproduzam os resultados.
• Instruções: Inclua instruções claras sobre acesso a dados e preparação para reprodutibilidade.

#Configuração e Detalhes Experimentais

• Detalhes sobre Experimentos: O artigo deve dar detalhes suficientes sobre a configuração experimental para que outros entendam como os resultados foram obtidos.
• Significância Estatística: Se aplicável, os resultados devem ser acompanhados de barras de erro, intervalos de confiança ou testes de significância. Os autores devem explicar claramente como isso foi calculado.

#Recursos Computacionais

• Requisitos de Computação: O artigo deve dizer que tipo de hardware (CPU ou GPU) foi usado e quanto de computação foi necessário para os experimentos.
• Estimativa Total de Computação: Inclua estimativas do total de computação usada no projeto, não apenas nos experimentos reportados.

#Código de Ética

• Revisão Ética: Os autores devem confirmar se revisaram o Código de Ética e explicar quaisquer desvios se necessário.

#Impactos Mais Amplos

• Impacto Social: Discuta quaisquer potenciais impactos sociais negativos da pesquisa. Isso pode incluir mau uso da tecnologia, problemas de privacidade ou considerações de justiça.
• Estratégias de Mitigação: Se houver impactos negativos, os autores devem discutir como poderiam abordar esses riscos.

#Ativos Existentes

• Citação de Ativos: O artigo deve citar quaisquer conjuntos de dados ou códigos existentes usados na pesquisa. Também deve informar a versão utilizada e incluir informações de licença.

#Novos Ativos

• Detalhes sobre Novos Ativos: Se o artigo introduz novos conjuntos de dados ou modelos, deve comunicar detalhes importantes como treinamento, licenciamento e limitações.
• Consentimento: Se aplicável, discuta se o consentimento foi obtido de indivíduos cujos dados estão incluídos.

#Crowdsourcing e Sujeitos Humanos

• Detalhes sobre Pesquisa com Humanos: Se a pesquisa envolve sujeitos humanos, forneça o máximo de detalhes possível sobre os métodos de pesquisa e os sujeitos.

#Aprovações do Comitê de Ética (IRB)

• Aprovação Ética: Se necessário, declare se a aprovação do IRB foi obtida para qualquer pesquisa envolvendo sujeitos humanos.

#Conclusão

Essa lista de verificação visa promover altos padrões na pesquisa em aprendizado de máquina. Seguindo essas diretrizes, os pesquisadores podem garantir que seu trabalho seja responsável, transparente e impactante.