这一页讲的是 COMPSCI 712 课程的第十讲，主题是 AI 的可信性 (Trustworthiness)。

这一页讲的是 COMPSCI 712 课程第十讲的内容，重点探讨人工智能 (AI) 的可信性 (Trustworthiness)。可信性是 AI 在伦理 (Ethics)、代理 (Agency) 和社会 (Society) 中的重要议题。可信性指的是用户对 AI 系统的信任程度，这不仅涉及技术的可靠性，还包括透明性、公正性和责任归属等方面。可信的 AI 系统能够促进用户接受并长期使用，同时减少对系统的误解和潜在风险。例如，一个透明的推荐算法能够清楚地解释其决策逻辑，让用户更容易信任其结果。这一讲可能会讨论如何设计和评估可信的 AI 系统，以及其在社会中的影响。

这一页讲的是在新西兰（Aotearoa）语境下，可信赖人工智能（Trustworthy AI）的真正含义。

这一页讲的是可信赖人工智能（Trustworthy AI）在新西兰（Aotearoa）的具体定义和意义。可信赖人工智能涉及伦理、透明性、公平性以及对社会的责任等方面。在新西兰这样的多元文化社会中，可信赖人工智能的标准可能需要结合当地的文化价值观和法律框架。例如，如何在人工智能系统中体现对毛利文化的尊重，以及确保技术不会加剧社会不平等。可信赖人工智能的意义不仅限于技术层面，还包括社会接受度和长期影响。因此，这一主题可能会探讨如何在技术开发中融入文化敏感性与社会责任，确保人工智能系统能够被广泛信任并为社会带来积极的影响。

这一页讲的是幻灯片的议程，包括信任与可信度的研究主题及其与文化和数据的关系。

这一页讲的是议程内容，涵盖五个主要主题。首先是关于“Towards trustworthy and trusted automated decision-making in Aotearoa”的报告，讨论如何实现值得信赖且被信任的自动化决策。其次是代表性数据（representative data）的重要性及其在支持多样性方面的局限性，强调数据公平性对多样性研究的影响。第三个主题探讨了“trust”（信任）和“trustworthiness”（可信度）的定义及其区别，帮助理解信任的核心概念。第四个主题分析了信任与Te Ao Māori（毛利文化世界）的关系，可能涉及文化背景对信任的影响。最后一个主题讨论了信任和可信度研究对调查和研究的潜在影响，提示这些研究在实践中的应用价值。这些议题为后续深入讨论提供了框架。

这一页讲的是信任(trust)和可信度(trustworthiness)在自动化决策系统(ADM)中的重要性。信任是用户感到安心和有信心，而可信度要求系统可靠、准确、公正且有效。

这一页讲的是信任(trust)和可信度(trustworthiness)在自动化决策系统(ADM)中的定义及要求。信任指的是当人们受到他人决策或行动影响时，能够感到舒适和有信心，这是一种心理上的安全感。而可信度进一步要求ADM系统的使用方式必须合适、可靠且准确，能够减少负面偏见，并确保安全、公正和有效性。这些要求的核心是确保技术在实际应用中不仅功能强大，还能赢得用户的信任。例如，一个医疗诊断系统若能准确预测疾病，同时避免种族或性别偏见，就能更好地体现其可信度。这些原则对技术的社会接受度和长期发展至关重要。

这一页讲的是如何提高自动决策系统（ADM）的可信度和舒适度。重点包括关注社区需求、确保透明性、促进沟通，以及制定清晰的标准和数据管理策略。

这一页讲的是如何让自动决策系统（ADM）更加可信和被信任，主要通过提升用户的舒适度来实现。第一点强调以社区需求为中心，关注具体需求和社区愿望，而不是缺陷。第二点提出“Nothing about us without us”的原则，确保受影响群体有意义的参与，团队具备多样性，并帮助社区解决问题。第三点是让人们了解系统的运作，包括系统整体透明性、数据使用透明性、算法透明性以及解释性。第四点则是通过沟通提升舒适度，例如提供简单清晰的信息，创造提问机会，并重视面对面的交流（kanohi ki te kanohi）。最后一点列举了其他重要措施，包括制定明确的标准和法规、谨慎处理数据、赋予用户数据控制权、有效监控和维护ADM运行，以及开展能力建设。这些措施旨在增强社区对ADM的信任，同时确保系统的公平性和透明性。

这一页讲的是如何提升自动决策管理（ADM）的可信度和舒适度，包括社区参与、公共部门支持、跨部门合作等七项建议。

这一页讲的是提升自动决策管理（ADM，Automated Decision-Making）系统可信度和用户舒适度的建议。首先，建议通过资金支持社区团体，让他们能够主导自己的数据和ADM项目，从基层推动信任建设。其次，建议为公共部门团队提供资金和支持，以测试和实施ADM的最佳实践，确保公共部门能够引领可信的ADM发展。第三，建立一个公共部门的ADM中心（hub），作为技术和政策的交流平台。第四，强调跨部门合作，共同开发和实施私营部门的ADM规则或最佳实践，促进标准化和透明度。第五，建议从毛利文化视角（te ao Māori perspectives）构建ADM系统，体现文化多样性和包容性。第六，建设多元化的数字化工作团队，以确保不同背景的人才参与ADM的开发。最后，提升公共部门领导者的数字技能和知识，使他们能够更好地理解和管理ADM系统。这些建议旨在通过多方协作和文化包容，增强ADM的可信度和社会接受度。

这一页讲的是机器学习中代表性数据的重要性，尤其是用于改善健康结果。强调健康数据对模型训练的关键作用，以及代表性数据对公平性的重要性。

这一页讲的是机器学习（Machine Learning, ML）中代表性数据（Representative Data）的重要性，尤其是在健康领域的应用。首先，机器学习可以通过分析数据创建工具，以改善健康结果（Health Outcomes）。其次，健康领域的机器学习依赖于健康数据来训练模型。最后，强调了为了让这些工具对特定群体（如毛利人，Māori）有效，必须使用具有代表性的健康数据来训练模型。这涉及到机器学习中的偏差问题（ML Bias）。总结来说，机器学习需要访问具有代表性的毛利人健康数据，以公平地改善健康结果。例如，如果模型的训练数据中没有包含毛利人的健康数据，就可能导致模型无法准确预测或服务于这一群体，从而产生偏差。

这一页讲的是健康的多重概念，包括生物医学模型和毛利文化的健康观。

这一页讲的是健康的多重概念，主要对比了两种模型：生物医学模型（Biomedical Model）和毛利文化的健康观（Te Whare Tapa Whā）。左侧的生物医学模型强调疾病（Disease）的诊断（Diagnosis）、病因识别（Identify Etiology）和干预（Intervention），以疾病为核心，关注身体的生物学状态。右侧的毛利文化健康观通过房屋结构表达健康的四个方面：心理与情绪健康（Te taha hinengaro Mental and emotional well-being）、社会健康（Te taha whānau Social well-being）、身体健康（Te taha tinana Physical well-being）以及精神健康（Te taha wairua Spiritual well-being）。这四个方面共同支撑整体健康，体现了健康的全面性和多维度。举例来说，毛利文化认为，如果精神健康（如信仰或内心平静）受到影响，整体健康也会失衡。这一页的内容强调了不同文化和学术背景对健康的理解差异，以及多维度健康观的重要性。

这一页讲的是 Te Oranga Wairua 模型，用于从毛利视角理解痴呆症。模型包含五个关键要素：精神健康、护理、接受疾病、保护因素和病因。

这一页讲的是 Te Oranga Wairua 模型，它从毛利文化的独特视角出发，探讨痴呆症的理解与处理方式。模型的核心是“精神健康（Spiritual wellbeing）”，强调精神层面的健康对整体福祉的重要性。围绕核心的五个要素分别是：1）Kaitiakitanga（Caregiving）：关注护理的重要性，强调家庭和社区在支持患者方面的角色；2）Aroha/Manakitanga（Acceptance of Illness）：倡导对疾病的接纳，帮助患者和家庭更好地面对现实；3）Ngā Ratonga（Dementia Services）：提供专业的痴呆症服务，确保患者能够获得必要的支持；4）Ngā Pūtake（Causes）：分析导致痴呆症的原因，为预防和治疗提供依据；5）Ngā Rongoā（Protective Factors）：探索保护因素，帮助降低患病风险或减缓疾病进展。这一模型强调文化背景和整体健康的重要性，为痴呆症患者提供更全面的支持体系。

这一页讲的是数据代表性与模型优化的关系，强调即使拥有代表性的毛利人健康数据，模型未必能优化毛利人真正关心的内容。

这一页讲的是数据代表性与模型优化的关系，核心观点是即使拥有代表性的毛利人健康数据（representative health data for Māori），也不能保证模型能够针对毛利人真正重要的需求进行优化。这说明数据的代表性和模型的优化目标之间可能存在差距。毛利人作为新西兰的原住民群体，可能有特定的健康需求或文化背景，这些需求未必能直接从数据中体现出来。因此，开发者在设计模型时，需要超越数据表面，深入了解目标群体的实际需求和价值观。例如，一个健康预测模型可能拥有毛利人的数据，但如果没有考虑毛利人对社区健康或传统治疗方法的关注，模型的优化方向可能会偏离真正重要的目标。这一页提醒我们，数据的代表性只是第一步，真正的挑战在于如何将模型优化与目标群体的需求紧密结合。

这一页讲的是 Christoph Kelp 和 Mona Simion 对“trustworthiness”（可信性）的定义，认为它是一种履行义务的倾向。

这一页讲的是 Christoph Kelp 和 Mona Simion 在其2023年的论文中对“trustworthiness”（可信性）的定义。他们认为，可信性是一种“履行义务的倾向”（a disposition to fulfil one's obligations）。这一定义强调了可信性与责任感的关系，即一个人是否具有可靠性，能够兑现承诺并完成其应尽的义务。这个概念在伦理学和社会互动中具有重要意义，因为它直接影响到人际信任和合作的建立。例如，在团队合作中，一个可信的人会被认为是可靠的伙伴，因为他们会履行自己的职责，从而促进团队目标的实现。这一定义来自于发表在《Noûs》期刊上的论文，具体是第57卷第3期，页码667-683，进一步探讨了这一主题的哲学基础。

这一页讲的是新西兰可信AI的五项原则，包括公平正义、公信力与隐私、透明性、人类监督与责任以及福祉。

这一页讲的是新西兰AI论坛提出的“可信AI”五项原则，旨在促进人工智能（AI）设计、开发和部署中的创新与信任。第一项是公平正义（Fairness and Justice），要求AI利益相关者尊重适用法律、人权、毛利人权利、民主价值观以及平等与公平原则，避免对个人或群体造成不公伤害或歧视。第二项是公信力、安全性与隐私（Reliability, Security and Privacy），强调AI系统及相关数据需可靠、安全，且个人隐私在整个生命周期中受到保护，同时识别和管理潜在风险。第三项是透明性（Transparency），要求AI系统的运行和影响必须透明、可追溯、可审计，并对公众可解释，特别是在涉及人的情况下。第四项是人类监督与责任（Human Oversight and Accountability），强调技术可能对个人或群体造成伤害时，必须确保人类的适当监督，并明确责任归属。最后是福祉（Wellbeing），提倡AI设计和应用应促进社会福祉，例如健康、教育、就业和可持续发展，同时尊重毛利文化价值。这些原则共同构建了一个可信赖的AI框架，确保技术发展与社会价值相协调。

这一页讲的是毛利人对健康数据使用的看法，涵盖五个核心维度：权力与权威（Mana）、互惠与支持（Manaakitanga）、限制（Tapu）、同意与共识（Whakaaetanga）、精神实践（Wairuatanga）。

这一页讲的是毛利人对健康数据使用的看法，分为五个维度。第一，权力与权威（Mana）强调对数据使用的控制权以及权力不平衡问题。第二，互惠与支持（Manaakitanga）关注健康数据使用的益处，包括帮助他人、惠及社区、提高医疗系统可及性以及家庭（whānau）的重要性。第三，限制（Tapu）涉及健康数据的神圣性，例如血液样本和健康记录的保护，以及文化和代际差异对数据使用的影响。第四，同意与共识（Whakaaetanga）强调透明度、集体参与、期望管理和获得同意的重要性。最后，精神实践（Wairuatanga）探讨了健康与精神（hauora）的联系，以及对神的信任。这些观点反映了毛利文化对健康数据伦理的独特理解，强调社区、文化和精神层面的综合考虑。

这一页讲的是毛利人对信任及健康数据使用的观点，重点包括信任的四个核心维度：互惠（Reciprocity）、传统（Tikanga）、关系性（Relationality）和权力（Power）。

这一页讲的是毛利人对信任及健康数据使用的观点，强调信任在文化和伦理框架中的重要性。图中的核心概念是“Trust”（信任），它通过四个维度展开：互惠（Reciprocity）强调支持与回报，对应毛利语中的“Manaakitanga”；传统（Tikanga）涉及限制（Tapu）和精神实践（Wairuatanga），体现文化规范的重要性；关系性（Relationality）关注协议与同意（Whakaaetanga），强调人与人之间的互动；权力（Power）则与“Mana”相关，代表权威与影响力。这些概念共同构成了毛利人对信任的整体理解，特别是在健康数据使用中的伦理考量。例如，在数据共享时，Manaakitanga要求确保数据使用能回馈社区，而Tikanga则确保数据使用符合文化规范。这种框架强调了文化背景在数据伦理中的重要性。

这一页讲的是信任在不同世界观中的定义和差异。重点包括毛利世界观中的共享权力和关系性，以及主流世界观中的授权和正式保证。

这一页讲的是信任（Trust）在毛利世界观和主流世界观中的不同定义及其核心原则。毛利世界观强调共享权力（shared power）、关系性（relationality）、互惠结果（reciprocity as an outcome）以及Tikanga（伦理与文化规范）。这些元素体现了信任是基于平等和文化尊重的互动关系。而在主流世界观中，信任更多依赖于授权（authorisation，等于能力认证）、基本关系（basic rapport）、善意意图（beneficent intent）以及正式保证（formalised guarantees，等于责任制）。表格清楚地展示了两种世界观的对比，毛利世界观更注重关系和文化，而主流世界观更强调结构化的责任和能力。此外，幻灯片还提到土著数据主权原则（Indigenous data sovereignty principles），它阐明了在信任关系中，土著社区关心的核心需求。这些原则强调了文化背景对信任构建的重要性，例如在数据管理和共享中尊重文化规范的必要性。

这一页讲的是毛利数据主权原则，包括六个核心原则：权威、义务、集体利益、关系、互惠和守护。

这一页讲的是毛利数据主权原则（Māori Data Sovereignty Principles），强调毛利族群对数据的控制权和自决权。主要包括六个核心原则：1. Rangatiratanga（Authority，权威）：强调数据的控制权、管辖权和自我决定权，确保毛利族群对数据的主导权。2. Whanaungatanga（Obligations，义务）：关注权利与责任的平衡，确保数据的使用符合社会责任。3. Kotahitanga（Collective Benefit，集体利益）：强调数据应为集体带来利益，帮助增强能力建设，并促进连接。4. Whakapapa（Relationships，关系）：关注数据的背景、细化和未来用途，确保数据在文化和历史背景中使用。5. Manaakitanga（Reciprocity，互惠）：强调尊重和获得同意的重要性，确保数据处理符合道德规范。6. Kaitiakitanga（Guardianship，守护）：注重数据的保护、伦理和限制，确保数据在长期管理中得到妥善处理。这些原则共同构成了毛利族群在数据主权领域的核心价值观，旨在维护文化身份并促进社会公平。

这一页讲的是新西兰政府的《算法宪章》，强调透明度与责任性，但指出无法完全解决复杂问题如毛利数据主权。

这一页讲的是新西兰政府于2020年7月发布的《算法宪章》（Algorithm Charter for Aotearoa New Zealand）。宪章旨在确保新西兰民众对政府机构使用算法的信心，强调通过透明度（transparency）和责任性（accountability）来展示政府在数据使用方面的承诺。然而，页面特别指出，宪章无法完全解决一些重要且复杂的议题，比如毛利数据主权（Māori Data Sovereignty）。毛利数据主权涉及毛利族群对其数据的控制权和文化保护，这是一项需要独立考量的复杂问题。通过这份宪章，新西兰政府希望在算法使用中体现伦理原则，但也承认在处理文化敏感性和数据主权问题上仍有不足。这个案例说明了在设计算法政策时，文化和社会背景的复杂性需要特别关注。

这一页讲的是2023年毛利选区(Māori seats)的民调结果与实际结果对比。主要包括选区、民调预测的赢家和亚军、未决定比例以及实际赢家和亚军的情况。

这一页讲的是2023年毛利选区(Māori seats)的民调结果与实际选举结果的对比分析。表格中列出了每个选区(Electorate)、民调预测的赢家(Curia Poll: Winner)及其支持率、民调预测的亚军(Curia Poll: Runner-Up)及其支持率、未决定选民比例(Und.)，以及实际选举中的赢家(Actual Winner)和亚军(Actual Runner-up)。例如，在 Ikaroa-Rāwhiti 选区，民调预测 Tangaree-Manuel 获胜(33%)，亚军为 Whaitiri(25%)，未决定比例为29%。实际结果显示，赢家和亚军的情况未填入。类似地，其他选区如 Te Tai Hauāuru 和 Waiariki 也显示了民调预测与实际结果的对比，但实际赢家和亚军的数据未完全补充。通过这张表，可以分析未决定选民比例对选举结果的潜在影响，以及民调预测的准确性。

这一页讲的是毛利选民在大选前的投票趋势及政党支持情况。主要提到毛利选民仍支持工党，但比例低于2020年，同时只有一位毛利党候选人在民调中领先。

这一页讲的是毛利选民在新西兰大选前的投票趋势和毛利党（Te Pāti Māori）的表现。首先，幻灯片指出毛利选民的投票行为与全国趋势有所不同，他们仍然倾向支持工党（Labour），但支持比例比2020年有所下降。这表明毛利选民的政治倾向虽然保持一定稳定性，但支持力度减弱。其次，幻灯片提到，尽管毛利党在媒体中一直有较高的曝光度，并试图重新崛起，但根据Whakaata Māori-Curia Market Research的民调结果，只有一位毛利党候选人——怀阿里基选区的国会议员Rawiri Waititi处于领先位置。这反映了毛利党整体在选民中的支持率仍然有限，只有个别候选人表现突出。这些信息对于分析毛利选民的政治偏好和毛利党在议会中的潜在影响具有重要意义。

这一页讲的是2023年毛利选区的民调结果与实际选举结果的对比分析。重点包括预测与实际结果的差异，以及未决定选票的影响。

这一页讲的是2023年毛利选区（Māori seats）的民调结果与实际选举结果的对比分析。表格列出了各选区的民调预测赢家（Curia Poll: Winner）、民调预测第二名（Curia Poll: Runner-Up）、未决定选票比例（Und.），以及实际赢家（Actual Winner）和实际第二名（Actual Runner-up）。例如，在 Te Tai Hauāuru 选区，民调预测 Peke-Mason 会以34%的支持率获胜，但实际结果是 Ngawera-Packer 获胜，支持率高达60%。类似地，在 Hauraki-Waikato 选区，民调预测 Mahuta 获胜，但实际赢家是 Maipi-Clarke。表格还显示了未决定选票比例对选举结果的潜在影响，例如 Te Tai Hauāuru 的未决定比例为16%，可能对最终结果产生了重要作用。这张表帮助我们理解民调与实际选举结果之间可能存在的偏差，并分析选民行为的复杂性。

这一页讲的是数据分析师 David Shor 对民调结果偏差的解释。主要观点是缺乏信任的人更不愿参与电话调查，导致民调结果可能不准确。

这一页讲的是数据分析师 David Shor 对民调结果偏差的解释。他指出，缺乏对他人和机构信任的人群更不愿意参与电话调查。这种现象可能导致民调结果的偏差，因为这些人群的意见未能充分反映在调查中。这一观点解释了为什么某些民调可能会出现错误预测，尤其是在涉及社会信任度较低的群体时。幻灯片引用了 Vox 网站上的一篇文章（2020年），进一步讨论了这一现象的背景和影响。这一问题对于数据分析和民意调查的设计非常重要，提醒我们要考虑信任因素对样本代表性的影响。例如，在设计调查时，可以尝试使用多种方式接触不同群体，以减少信任问题对数据质量的影响。

这一页讲的是新西兰财政部基于 GSS 2021 的报告，重点分析毛利人对政府和公共机构的信任度较低。

这一页讲的是新西兰财政部根据 GSS 2021 的数据，分析了毛利人对政府和公共机构的信任水平。报告指出，毛利人对政府的信任度最低，仅有 51% 的毛利人在 2022 年对公共部门给予较高评价。此外，图表 36 显示毛利人对警察、议会、医疗系统、教育系统以及法院的信任度也远低于其他族群。这种低信任度的证据体现在毛利受访者中，较高比例的人对这些机构的信任评分仅为 0-4 分（满分 10 分）。这一现象反映了毛利人在社会和公共服务中的信任危机，可能与历史背景、政策执行以及社会公平性相关。理解这一问题对于改善毛利人的福祉和社会融合具有重要意义。

这一页讲的是类比关系，探讨政治民调与投票，以及AI态度研究与用户参与之间的联系。

这一页讲的是一种类比关系，提出政治民调（political polling）与投票（voting）的关系类似于对人工智能态度的研究（research on attitudes to AI）与用户参与人工智能（user engagement with AI）的关系。这种类比强调两者之间的潜在因果或关联性。政治民调可以反映公众对候选人或政策的态度，它可能影响最终的投票行为。同样，研究用户对AI的态度可以帮助理解用户如何与AI互动，以及这些态度如何影响实际的使用行为。这一观点的重要性在于，它提示我们关注态度与行为之间的桥梁，尤其是在人机交互领域的研究中，这种理解可以帮助设计更符合用户需求的AI系统。例如，如果研究发现用户对AI的信任度较低，可能需要通过设计更透明的交互方式来提升用户参与度。

这一页讲的是调查结果的潜在影响，包括信任与不信任的测量问题，以及文化价值的体现。

这一页讲的是调查结果可能带来的影响。首先，强调在基于调查数据做结论时要谨慎，尤其是当只有少数人表达关注时，数据可能无法全面反映真实情况。其次，提出一个悖论（Catch 22），即要准确测量不信任，首先需要一个可靠的信任测量标准。第三，指出一个讽刺性结果：如果研究者本身不被信任，调查可能会呈现比实际情况更积极的结果，掩盖了真实的不信任问题。最后强调了信任（trustworthiness）的文化维度，尤其是从毛利文化（te ao Māori values）的角度来看，信任需要通过理解自身并体现文化价值来建立。这意味着我们需要从毛利人的视角履行我们的义务，展现对文化价值的尊重。这些观点提醒我们在社会研究中，信任与文化背景的重要性不可忽视。

这一页讲的是 General Social Survey (GSS) 关于信任的问题，探讨人们对他人信任程度的总体看法。

这一页讲的是 General Social Survey (GSS) 中关于信任的核心问题：“总体来说，你认为大多数人值得信任，还是认为与人交往时需要格外小心？”这一问题旨在调查社会中人们对他人信任的态度，是社会心理学研究中常用的指标之一。通过这个问题，研究者可以评估不同社会群体或文化背景下的信任水平。这种信任的测量对于理解社会凝聚力、合作行为以及社会资本的形成非常重要。例如，如果一个社会中大多数人认为他人值得信任，这可能意味着该社会拥有较高的社会资本和较强的合作能力；反之，如果信任水平较低，则可能反映出社会关系的疏离或潜在的冲突风险。这一问题是社会学和心理学领域中研究信任的重要工具。

这一页讲的是 General Social Survey (GSS) 中关于信任的问题，探讨人们是否认为大多数人值得信任或需要谨慎对待他人行为。

这一页讲的是 General Social Survey (GSS) 中关于信任的问题，具体问题是：“一般来说，你是否认为大多数人值得信任，还是认为在与人打交道时需要格外小心？” 这一问题旨在衡量人们对他人行为的总体信任度（trustworthiness）。这种调查通常用于研究社会信任水平，它反映了不同文化、社会或群体对人际关系的态度。信任是社会互动的重要基础，较高的信任度通常与更强的社会凝聚力和合作精神相关，而低信任度可能导致社会隔阂或冲突。通过这样的问卷调查，可以帮助研究人员了解社会中信任的分布情况和影响因素，例如经济状况、教育水平或社会制度等。

这一页讲的是 General Social Survey (GSS) 中关于信任的问题，探讨了信任与谨慎的关系。

这一页讲的是 General Social Survey (GSS) 中提出的一个关于信任的问题：总体来说，你认为大多数人是值得信任的，还是认为在与人交往时不能过于轻信？这个问题涉及两个层面的比较：一是对其他人行为的评价（trustworthiness，值得信任），二是对自己行为的评价（cautiousness，谨慎）。幻灯片强调这两种态度并不是对立的，个人可以同时既值得信任又保持谨慎。这种区分对于社会心理学研究很重要，因为它揭示了人们在社会互动中如何平衡信任与保护自己的行为。举例来说，一个人可能认为邻居值得信任（trustworthiness），但在借钱给邻居时仍保持谨慎（cautiousness）。这一问题帮助研究者更好地理解人际关系中的复杂性及其对社会信任的影响。

这一页讲的是《Māori perspectives on Trust and ADM》报告的建议，包括数据能力建设、公平性评估、参与算法评估等方面的六个行动方向。

这一页讲的是《Māori perspectives on Trust and ADM》报告提出的建议，重点关注如何在自动决策（ADM）领域融入毛利文化视角。首先，建议通过社区和专业网络提升毛利数据和数字能力（Māori Data and Digital Capacity），以确保毛利群体有能力参与数字化发展。其次，开发强有力的公平性评估协议（equity assessment protocols），确保算法在设计和应用中公平对待不同群体。第三，强调毛利群体在机构算法自评流程中的有意义参与（meaningful Māori participation），以提高决策透明度和文化适配性。第四，支持项目治理和算法开发中的协作伙伴关系（collaborative partnership），促进多方共同努力。第五，创建毛利价值框架（Māori values framework）和Tikanga指导原则，用以支持ADM的设计、开发、使用和维护。最后，探索涉及毛利语言（te reo Māori）、毛利文化（tikanga Māori）以及毛利知识（mātauranga Māori）的实际应用案例。这些建议旨在推动ADM领域的文化包容性和信任建设，为毛利群体提供更公平的技术环境。

这一页讲的是奥克兰大学(University of Auckland)的视觉展示。

这一页讲的是奥克兰大学(University of Auckland)的视觉展示，背景结合了奥克兰城市风光和毛利文化元素。画面左上角是奥克兰大学的标志，标志中包含学校名称和毛利语翻译“Waipapa Taumata Rau”，体现了学校对毛利文化的尊重和融合。背景图中可以看到奥克兰市的天际线，突出了Sky Tower等地标建筑，展示了城市的现代化与活力。同时，右侧的毛利雕刻图案象征了新西兰的传统文化，传递出学校与当地文化深度连接的理念。这种结合不仅是视觉上的美感，更体现了奥克兰大学作为新西兰顶尖学府的文化包容性与国际化视野。