Model Cards AI Audit Documentation

域 ID	domain.model-cards-ai-audit-documentation
C 层级	C4
研究对象	Model Cards AI Audit Documentation
持续性作用	主要把科学、医疗、数据、制度或技术从潜在能力转成真实可用路径。
证据状态	部分审查
仓库路径	domains/c4-conversion-channel/model-cards-ai-audit-documentation

Model Cards AI Audit Documentation是 Human Infra 对“Model Cards AI Audit Documentation”建立的稳定研究域；其对象边界由仓库材料界定为：研究模型卡、数据集说明、系统卡、AI 审计文档、评估报告和可追溯模型治理，如何让 Human Infra 的预测模型、可视化、仿真和 AI 辅助研究输出可解释、可复核、可限制和可追责。^[1]

研究对象与边界

本页只描述一个稳定对象：Model Cards AI Audit Documentation。它不等同于单一产品、个体方案或既成疗效；同名活动若具有不同对象、终点或治理责任，应另建页面而不是合并结论。

Model Cards、Datasheets for Datasets、System Cards、FactSheets 和模型治理文档。
训练数据、适用对象、任务定义、评估集、性能、校准、偏差、漂移和失效模式。
预测模型、D3 可视化、论文页、Scenario Evaluator 和 Human Infra Web 展示的审计记录。
NIST AI RMF 的 govern、map、measure、manage 风险语言。
模型文档如何连接 Source Card、Data Card、Scenario Card 和伦理边界。

C 层级与对主体持续性的作用

本域位于 C4：可能性转换通道层。把知识、技术、医疗或制度能力转化为可达路径；其价值取决于可靠接口、证据和实际可及性。

原域给出的持续性作用为：主要把科学、医疗、数据、制度或技术从潜在能力转成真实可用路径。。在证据上必须区分直接作用、间接作用和条件保障；除非出现预先定义的生存、功能、风险或连续性终点，不能把过程完成或机制合理性写成“实现有效永生”。

关键变量、机制链与状态变化

对象变量：Model Cards、Datasheets for Datasets、System Cards、FactSheets 和模型治理文档。
对象变量：训练数据、适用对象、任务定义、评估集、性能、校准、偏差、漂移和失效模式。
对象变量：预测模型、D3 可视化、论文页、Scenario Evaluator 和 Human Infra Web 展示的审计记录。
对象变量：NIST AI RMF 的 govern、map、measure、manage 风险语言。

Model Cards AI Audit Documentation
  -> 改变上述可测变量与约束
  -> 改变主体能力、载体状态或外部路径可达性
  -> 改变失败率、恢复时间、资源消耗或不可逆损失风险
  -> 只有在适用对象与时间窗内改善最终功能/生存/连续性终点，才支持持续性收益

反向解释同样必要：变量变化可能只是相关、测量偏差或代理终点变化，不能自动归因于该域中的某项干预。

主要技术或治理路线

定义对象、适用人群、情境和时间窗；
建立可测变量、基线、对照和失败阈值；
比较预防、修复、替代、制度或信息路线，并把副作用与机会成本纳入。

路线比较至少要记录前置依赖、可验证终点、失败阈值、替代路线和退出条件；未来路线一律按“条件性”处理，不写虚假实现年份。

上下游依赖与替代路线

上游或高层约束：

下游技术或相邻对象：

若主要路线不能达到最终终点，应比较风险预防、损伤修复、功能替代、流程改造、社会支持或退出/转介等替代方案，而不是以增加复杂度代替证据。

当前证据状态与验证终点

2026-07-25 结构化审查完成；登记 5 条 Source Signals，其中 5 条为具体 URL、0 条为首页/搜索/聚合路由。仅核心来源或相应证据页标明“已核验”时，才可承担实质主张。

最低验证要求是：明确适用对象、基线、对照、时间窗、测量误差和预注册终点；同时报告不良结果、失败案例和分布差异。过程指标只能证明过程发生，不能单独证明主体风险下降。

反证条件：若在合格设计中未改善预设最终终点、净风险上升、效果不能重复、只在不相关模型成立，或依赖不可接受的资源与治理假设，则应降低本域路线的证据等级。

失败模式与治理边界

对象漂移：把多个不同对象、场景或人群混成一个平均结论。
代理终点替代：把点击、完成率、分子指标、短期性能或局部成功当作长期净收益。
因果越界：把相关性、机制合理性、体外/动物结果、早期临床或预测模型写成已证实的人体效果。
可达性失败：技术存在但人员、成本、供应链、法律、基础设施或维护使其不可用。
风险转移：局部风险下降但把负担转移给其他器官、家庭、群体、时间段或公共系统。
本页不提供个体诊断、治疗、用药、寿命预测、法律决策或危险实验操作建议。

开放问题

哪个最终终点最能代表本域对主体持续性的真实贡献？
哪些变量是因果中介，哪些只是相关指标或记录偏差？
效果在不同人群、地区、资源水平和长期时间尺度上是否可重复？
何种失败阈值应触发暂停、替代、转介或治理升级？
本域与相邻页面的边界是否足够稳定，是否仍存在需要拆分的对象？

仓库研究材料（保留）

以下内容来自受治理的 Human Infra 域 README，用于保留项目问题分解和历史语境；其中外部事实仍以证据页为准。^[2]

定位

本域研究模型卡、数据集说明、系统卡、AI 审计文档、评估报告和可追溯模型治理，如何让 Human Infra 的预测模型、可视化、仿真和 AI 辅助研究输出可解释、可复核、可限制和可追责。

Human Infra 会持续产生模型、图表、论文页、推导框架和技术评估。如果没有统一文档契约，模型很容易从“研究解释工具”滑向“不可审查的权威判断”。本域负责让每个模型知道自己从哪里来、适用于什么、不适用于什么、失败时如何被发现。

先验位置

有效永生 / 主体持续性最大化
  -> 需要模型、图表和 AI 系统辅助判断技术路径
  -> 模型输出若不可解释、不可审计或边界不明，会制造虚假确定性
  -> 需要模型卡、数据说明、审计报告和用途限制
  -> model-cards-ai-audit-documentation

关注对象

Model Cards、Datasheets for Datasets、System Cards、FactSheets 和模型治理文档。
训练数据、适用对象、任务定义、评估集、性能、校准、偏差、漂移和失效模式。
预测模型、D3 可视化、论文页、Scenario Evaluator 和 Human Infra Web 展示的审计记录。
NIST AI RMF 的 govern、map、measure、manage 风险语言。
模型文档如何连接 Source Card、Data Card、Scenario Card 和伦理边界。

Human Infra 模型链路

模型 / 图表 / AI 系统
  -> 模型卡和审计文档
  -> 声明数据、任务、评估、边界、风险和禁止用途
  -> 支撑读者复核、版本追踪、错误纠正和治理门禁
  -> 防止模型输出被误读为医学建议、寿命承诺或自动化评分

非目标

不把模型卡写成营销材料、合规豁免或可信背书。
不输出个人寿命预测、死亡日期、诊断、治疗建议、保险评分、招聘评分或资格判断。
不掩盖模型失败、数据缺陷、不确定性、适用边界或人群差异。
不替代 uncertainty-quantification-model-calibration/；本域负责文档和审计契约，校准方法由模型校准域负责。

下一步

为 Human Infra 建立 MODEL_CARD.md 模板：purpose、data、population、evaluation、calibration、limitations、forbidden uses、review status。
给 /paper/ 和新增论文页建立模型/图表审计清单，避免图表被误读为事实预测。
与 knowledge-graph-ontology-semantic-interoperability/ 对接，把模型卡字段纳入可查询知识结构。

证据路由

证据来源：Model Cards for Model Reporting（7b197387）：Model Cards for Model Reporting（证据等级见来源页）^[3]
证据来源：Datasheets for Datasets（641a177c）：Datasheets for Datasets（证据等级见来源页）^[4]
证据来源：NIST AI Risk Management Framework（54dbc154）：NIST AI Risk Management Framework（证据等级见来源页）^[5]
证据来源：NIST Generative AI Profile（032f1d2c）：NIST Generative AI Profile（证据等级见来源页）^[6]
证据来源：OECD AI Principles（e69ee8da）：OECD AI Principles（证据等级见来源页）^[7]