The Impact of Awareness of New Artificial Intelligence Technologies on Policy Governance on Risk
Notice bibliographique
Résumé
Background/Objectives: This study examined the risks of new AI technologies and their impact on policy governance. Artificial intelligence is bringing about changes in various fields such as politics, economy and culture through information society and technology. In particular, it has a positive effect on solving various problems of existing society and overcoming limitations. But this advancement in artificial intelligence can create the opposite problem as expected. This appears to be a risk. We identify the factors that recognize this risk and investigate the possible impact on government governance.Methods/Statistical analysis: The questionnaire and data of this journal were analyzed by Korean public portal data, and the analysis data were designated by the Korea Information Technology Agency, AI related company, AI association, Ministry of Science, ICT and Future Planning, IT society, government research institute, Korea Communications Commission, and National Security Agency The questionnaire survey was based on AI experts working in the field.The analysis program uses IBM SPSS Statistics 22. The analysis methods are descriptive statistical analysis, reliability analysis and exploratory factor analysis.Findings: This study examined the risks of new AI technologies and their impact on policy governance. The survey was conducted to clarify comments on awareness of new AI-related technologies, awareness of AI risks, and improvements to AI-related policies.AI risk has become an integral part of regulation and the government's role as a risk manager is important.Improvements/Applications: Further discussion is needed regarding the commercialization effects of AI technology awareness, benefit items and timing items on policy governance through risk awareness.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».