Delegation, relinquishment, and responsibility: The prospect of expert robots
Notice bibliographique
Résumé
Some day we may come to rely on robotic prediction machines in place of human experts. Google’s search engine, IBM’s Watson, and the Google Driverless Car (GDC) project each give an idea of what that world will look like. Yet actually letting go of the wheel may be a tough sell to humans. Will we really delegate human tasks to expert machine systems and what will be the outcomes of those choices? This chapter suggests that in the near future we will have to make difficult decisions about whether to relinquish some control to robots. The normative pull of “evidence-based practice” and the development of Watson-like robots will leave us few reasons to remain in control of expert decisions where robots excel. Thus we will have to choose between either accepting the relative fallibility of human experts and remaining in total control or deciding to relinquish some control to robots for the greater good. If we do relinquish some control to robots, there are important questions about the justification to do so with highly specialized expert tasks and how that would that bear on the determination of responsibility, particularly in cases of disagreement. On the other hand, if we choose to remain in control and advocate the status quo, we may deliver less than optimal outcomes relative to what “co-robotics” might achieve. Cases of disagreement between human and robot experts, generally favor delegation to robots, but also provide time for human experts to understand and make decisions on the underlying rationale for the disagreement. Watson and the GDC are able to achieve high degrees of something like “expertise” by acting on sets of rules that underdetermine their success. By describing Watson-like robots as “experts,” rather than merely “tools,” we realize a philosophical gain that accounts for both a robot’s unique abilities and social meaning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».