Bracing for Impact - The AI Challenge - AI For Social Good
Notice bibliographique
Résumé
Bracing for Impact: The Artificial Intelligence Challenge (A Roadmap for AI Governance in Canada)\nConference organized by IP Osgoode in collaboration with Aviv Gaon, Ian Stedman and the Zvi Meitar Institute for Legal Implications of Emerging Technologies at IDC Herzliya. Society is in crisis. The gap between the poor and the rich – whether in terms of age, income or skills – keeps widening as inequality grows markedly. Artificial Intelligence holds great potential for help- ing us to lessen these inequalities. While AI is often viewed as a threat to social justice, the opposite may in fact be true. Machine learning in language translation technology can collapse the barriers between third world countries and the West. Algorithmic decision-making can lessen the negative effects that bias has on minority groups. From transportation, healthcare and agriculture to sustaina- bility and governance - the positive applications of AI are unlimited in scope.\nSESSION CHAIR:Bob Tarantino PhD Candidate, Osgoode Hall Law School; Counsel, Dentons Canada LLP\nPANELLISTS:Brandie M. Nonnecke Research & Development Manager for CITRIS, UC Berkeley\nDavid Lepofsky Associate Professor, Osgoode Hall Law School\nJutta Treviranus Director of the Inclusive Design Research Centre (IDRC) and Professor, OCAD University\nGuy Seidman Professor, Radzyner School of Law, IDC Herzliya\nMaura R Grossman Research Professor, David R. Cheriton School of Computer Science, University of Waterloo
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,029 | 0,056 |
| Communication savante | 0,041 | 0,016 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,015 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».