Refine
Document Type
- Article (4)
Has Fulltext
- yes (4)
Is part of the Bibliography
- no (4)
Keywords
- artificial intelligence (2)
- healthcare (2)
- trustworthy AI (2)
- Festuca rubra-Agrostis capillaris-community (1)
- Z-inspection (1)
- cardiac arrest (1)
- case study (1)
- disturbance (1)
- ethical co-design (1)
- ethical trade-off (1)
Institute
- Informatik (1)
- Medizin (1)
Auf Weidezaunstreifen innerhalb von Koppelkomplexen herrschen aufgrund fehlender Bodenverdichtung und stärkerem Verbiss gegenüber der Weidenarbe besondere Standort- und Konkurrenzbedingungen. In einer neu begründeten Grünlandnarbe reichern sich in den von uns untersuchten Cynosurorion-Gesellschaften bereits 3-5 Jahre nach der Zaunziehung Festuca rubra agg., Dactylis glomerata, Holcus lanatus und Arrhenatherum elatius an. Etwa 7-9 Jahre nach der Zaunziehung geht die Deckung des Rotschwingels langsam auf etwa 45 % zurück. In den entstehenden Lücken und an Auswurfhügeln bestehen gute Ansiedlungsbedingungen für Moose. Das höhere Porenvolumen kann zu höheren Mineralisierungsraten führen und begünstigt damit die Ansiedlung von Eutrophierungszeigern und Weideunkräutern. Durch schwache oder späte Beweidung werden im Weidezaunstreifen die Entwicklung von Weideunkräutern und Dominanzen von Obergräsern gefördert. Bei zeitig im Jahr genutzten Weiden ist der Verbiss auf dem Weidezaunstreifen etwa doppelt so hoch oder höher als auf den angrenzenden Weidenarben. Dieser starke Verbiss bedingt, bei kontinuierlicher Bewirtschaftung, eine Zunahme von Arten mit einer hohen Störungstoleranz. Die Düngergaben im Rahmen der Weidepflege führen im Weidezaunstreifen nur zu einer schwachen Kompensation des Nährstoffentzuges, sodass sich nach weniger als 9 Jahren die Festuca rubra- Agrostis capillaris-Gesellschaft mit einem hohen Anteil von Rosettenpflanzen, Geophyten und Arten, die ein hohes Regenerationsvermögen aufweisen, etabliert.
Co-design of a trustworthy AI system in healthcare: deep learning based skin lesion classifier
(2021)
This paper documents how an ethically aligned co-design methodology ensures trustworthiness in the early design phase of an artificial intelligence (AI) system component for healthcare. The system explains decisions made by deep learning networks analyzing images of skin lesions. The co-design of trustworthy AI developed here used a holistic approach rather than a static ethical checklist and required a multidisciplinary team of experts working with the AI designers and their managers. Ethical, legal, and technical issues potentially arising from the future use of the AI system were investigated. This paper is a first report on co-designing in the early design phase. Our results can also serve as guidance for other early-phase AI-similar tool developments.
Artificial Intelligence (AI) has the potential to greatly improve the delivery of healthcare and other services that advance population health and wellbeing. However, the use of AI in healthcare also brings potential risks that may cause unintended harm. To guide future developments in AI, the High-Level Expert Group on AI set up by the European Commission (EC), recently published ethics guidelines for what it terms “trustworthy” AI. These guidelines are aimed at a variety of stakeholders, especially guiding practitioners toward more ethical and more robust applications of AI. In line with efforts of the EC, AI ethics scholarship focuses increasingly on converting abstract principles into actionable recommendations. However, the interpretation, relevance, and implementation of trustworthy AI depend on the domain and the context in which the AI system is used. The main contribution of this paper is to demonstrate how to use the general AI HLEG trustworthy AI guidelines in practice in the healthcare domain. To this end, we present a best practice of assessing the use of machine learning as a supportive tool to recognize cardiac arrest in emergency calls. The AI system under assessment is currently in use in the city of Copenhagen in Denmark. The assessment is accomplished by an independent team composed of philosophers, policy makers, social scientists, technical, legal, and medical experts. By leveraging an interdisciplinary team, we aim to expose the complex trade-offs and the necessity for such thorough human review when tackling socio-technical applications of AI in healthcare. For the assessment, we use a process to assess trustworthy AI, called 1Z-Inspection® to identify specific challenges and potential ethical trade-offs when we consider AI in practice.
Die Vegetation an Weidezäunen in Umtriebsweidekomplexen wird von Gesellschaften gebildet, die eine Zwischenstellung zwischen Wiesen und Weiden einnehmen und im wesentlichen Varianten der Festuca-rubra-Agrostis-capillaris-Gesellschaft zuzurechnen sind. Es bestehen Übergänge zum mageren und bracheähnlichen Lolio-Cynosuretum und zum Festuco-Cynosuretum sowie zu Beständen, die den Nardetalia nahestehen. Die Besonderheit dieser Gesellschaften liegt in der Kombination von lichtliebenden, eng dem Boden anliegenden Kräutern und den zum Teil mit beträchtlichen Massenanteilen vorkommenden Wiesenarten, die in Weiden nur selten aspektbildend sind. Wesentliche Steuerungsfaktoren sind die hohe Verbißintensität und die damit einhergehende Aushagerung der Standorte, insbesondere eine Verringerung der Phosphatversorgung. Eine Verbißtiefe zwischen vier und acht Zentimetern über die gesamte Vegetationsperiode begrenzt die Artenzusammensetzung auf relativ wenige Arten mit angepaßter Wuchsform. Ein wesentlicher Unterschied zu den Weiden besteht neben der Artenzusammensetzung in dem um circa 20 % höheren Porenvolumen im Weidezaunbereich.