MARC

 008260126s2025        us                              c    eng  d
■001000017357750
■00520260202103555
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288862052
■035    ▼a(MiAaPQ)AAI32042031
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a020
■1001  ▼aWhitney,  Cedric  Deslandes.
■24510▼aFrom  Data  to  Evaluation:  Investigating  the  Limits  of  the  Individual-Control  Model  in  AI  Governance
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a143  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Mulligan,  Deirdre.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aTechnical  fixes  for  AI  harm  are  usually  framed  through  an  individual‑control  lens:  give  people  notice,  let  them  opt  out,  erase  their  row,  and  the  problem  is  solved.  Building  on  relational  theories  of  data  governance,  this  dissertation  probes  the  limits  of  that  premise  across  the  full  machine‑learning  pipeline.  It  traces  three  tightly  coupled  'critical  cases'  that  sit  at  successive  system  layers.  At  the  input  level,  a  forensic  audit  of  privacy‑branded  synthetic‑data  workflows  shows  how  nominal  anonymity  can  still  magnify  racial  mis‑representation.  At  the  model  level,  a  scenario‑based  study  of  machine  unlearning  reveals  that  participants'  wish  to  be  erased  is  conditioned  by  collective‑risk  calculations,  not  by  autonomy  alone.  At  the  evaluation  level,  a  meta‑analysis  of  contextual  benchmarks  demonstrates  that  large  language  models  which  pass  instruction‑following  tests  routinely  fail  when  placed  in  norm‑conflict  or  long‑context  settings.Across  these  settings  the  findings  converge  on  four  recurring  failure  modes.  First,  individual  row‑level  privacy  gains  often  intensify  group  harms,  exposing  relational  blind‑spots.  Second,  generative  and  unlearning  tools  rupture  data  lineage,  undermining  regulatory  oversight  that  depends  on  provenance.  Third,  performance  that  looks  robust  in  context‑free  scorecards  collapses  under  realistic  framing,  revealing  deep  contextual  brittleness.  Finally,  the  operational  cost  of  verifying  compliance  with  individual‑control  mechanisms  creates  enforcement  frictions  that  outstrip  regulatory  capacity.Methodologically,  the  work  illustrates  how  combining  dataset  forensics,  interpretive  user  research,  and  quantitative  stress‑testing  produces  a  multi‑level  socio‑technical  diagnosis  unavailable  to  any  single  approach.  In  doing  so  it  heeds  recent  calls  for  a  richer  'evaluation  science'  in  AI  ethics  and  charts  a  research  agenda  toward  lineage‑aware  tooling,  context‑sensitive  benchmarks,  and  governance  structures  capable  of  addressing  the  relational  nature  of  machine‑learning  harm.
■590    ▼aSchool  code:  0028.
■650  4▼aInformation  science
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aContext
■653    ▼aEvaluation
■653    ▼aMachine  learning
■653    ▼aMachine  unlearning
■653    ▼aModel  deletion
■653    ▼aSynthetic  data
■690    ▼a0723
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bInformation  Management  &  Systems.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357750▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books