AI-EDI-SPACE

AI-EDI-SPACE数据集由联合国教科文组织景观城市化教席和蒙特利尔大学共同创建，旨在通过街景图像评估公共空间的质量。该数据集包含7,833张来自蒙特利尔地区的街景图像，通过两阶段抽样策略确保图像的代表性。数据集的创建过程结合了公平、多样性和包容性（EDI）原则，通过与不同社区组织的合作，确保了数据的多视角和高质量。该数据集主要应用于公共空间质量评估领域，旨在解决现有数据集在多样性和公平性方面的不足。

搜集汇总

数据集介绍

构建方式

AI-EDI-SPACE数据集的构建基于一种协同设计的方法论，该方法论强调在数据收集和AI模型开发的关键阶段积极引入利益相关者。通过整合公平、多样性和包容性（EDI）原则，确保数据集能够反映多元视角。具体步骤包括参与者招募、组织工作坊以理解参与者对公共空间的关切、制定评估公共空间质量的标准、图像标注以及AI模型评估。参与者主要来自代表性不足的群体，确保数据集的多样性和代表性。

特点

AI-EDI-SPACE数据集的主要特点在于其多元性和代表性。通过协同设计和EDI原则，数据集不仅涵盖了广泛的社会文化背景，还确保了不同群体的视角得到充分体现。此外，数据集采用了连续评分方法，而非简单的二元选择，这有助于量化用户偏好强度，从而提供更为细致的数据分析。

使用方法

AI-EDI-SPACE数据集适用于评估公共空间质量的AI模型训练。用户可以通过该数据集训练模型，以预测和评估公共空间图像的质量。数据集提供了详细的标注和评分方法，支持多种机器学习算法的应用。此外，数据集还提供了公平性指标，帮助用户评估模型在不同用户群体中的表现，确保模型的公平性和包容性。

背景与挑战

背景概述

AI-EDI-SPACE数据集由Birla Institute of Technology and Science与Chaire UNESCO en Paysage Urbain, Université de Montréal合作开发，旨在通过街景图像评估公共空间质量。该数据集的创建时间可追溯至2024年，其核心研究问题在于通过整合公平、多样性和包容性（EDI）原则，确保数据集能够反映多元视角，从而提升AI模型的公平性和代表性。这一研究不仅填补了现有数据集在透明度和代表性方面的空白，还为公共空间质量评估领域提供了新的方法论，具有重要的学术和实践价值。

当前挑战

AI-EDI-SPACE数据集在构建过程中面临多重挑战。首先，数据收集的透明性和上下文相关性问题，特别是在通过众包平台获取数据时，存在低薪和劳动条件不佳的问题，可能导致数据偏差。其次，数据集的多样性和代表性问题，如何确保不同背景和观点的参与者能够公平参与，是构建过程中的另一大挑战。此外，数据集的评估标准和模型的公平性评估也是研究中的难点，如何确保模型能够准确捕捉和代表多样化的用户群体，仍需进一步研究和优化。

常用场景

经典使用场景

AI-EDI-SPACE数据集的经典使用场景在于评估公共空间的质量。通过收集和标注来自不同社区的街景图像，该数据集为研究人员和城市规划者提供了一个全面的工具，用于分析和比较不同公共空间的设计和功能。这种评估不仅限于美学，还包括公共空间的可达性、舒适度和包容性等多个维度，从而为城市规划和设计提供了科学依据。

实际应用

AI-EDI-SPACE数据集在实际应用中具有广泛的前景。城市规划者和政策制定者可以利用该数据集来评估和改进公共空间的设计，确保这些空间能够满足不同社区的需求。此外，该数据集还可以用于监测城市更新项目的效果，评估新政策对公共空间质量的影响，从而为城市可持续发展提供数据支持。

衍生相关工作

AI-EDI-SPACE数据集的发布激发了一系列相关研究工作。例如，有研究者利用该数据集开发了新的公平性评估指标，以衡量AI模型在不同用户群体中的表现。此外，还有研究探讨了如何通过改进数据收集和标注方法，进一步减少AI模型中的偏见。这些工作不仅丰富了AI伦理研究的内容，也为未来的数据集设计提供了宝贵的经验。