本研究探讨公众对积极算法的看法，发现不同政治立场和身份群体的态度存在差异，认可程度与个人对边缘化群体的看法相关，旨在促进社会和谐。

本研究探讨了语言模型对边缘化群体的偏见，填补了特定国家和地区的研究空白。结果显示，23个语言模型对来自埃及、阿拉伯国家、德国、英国和美国的270个边缘化群体普遍存在偏见，尤其是针对非二元性别、LGBTQIA+和黑人女性的交叉偏见更为明显。

本研究探讨了城市评估中边缘化群体观点的忽视，提出“协商一致”框架，强调处理分歧的重要性，以实现更公平的AI驱动城市设计结果。

自2018年以来，exploreCSR在23个国家的140所大学支持了237个项目，惠及超过19700名历史上边缘化群体的学生，提升了他们的计算研究技能和自信心。现宣布提供200万美元资金，支持22个项目，推动大学部门的长期变革，促进包容性和支持。

本文研究了大型语言模型（LLMs）的安全性与偏见问题，发现安全性与有益性之间存在权衡，尤其对边缘化群体影响显著。通过微调模型和引入安全向量，可以提高安全性，防止生成有害内容。此外，低资源语言中的恶意提示导致不安全回答，强调了跨语言模型安全的挑战。最后，提出了改进提示设计以提高模型性能的建议。

本研究使用计算语言分析框架分析了《纽约时报》1986年至2015年关于LGBTQ人士的文章，发现LGBTQ人士的被人性化描述逐渐增加。研究揭示了边缘化群体语言变化和变异的过程，对自动检测和理解媒体偏见及虐待性言论具有重要意义。