Producer Liability for AI-Based Technologies in the European Union
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The manufacturer's liability for defective products has remained almost unmodified since 1985 when Directive 85/374/EEC (=PLD) was enacted. Perhaps new technology based on artificial intelligence (=AI) could bring about a turning point in the regulation if concepts such as "product" and "defect" or aspects such as "grounds of liability", the so-called "development risks defense", and the "solidarity" are reconsidered. The Group of Experts on Liability and New Technologies (=NTF), in its “Liability for AI and other emerging digital technologies” Report, recommends, inter alia, the regulation of two different civil liability regimes: strict liability and fault-based liability. Thus, it will be necessary to determine precisely the cases to which these regimes apply and how to deal with “uncertain causation”. The alleviation of the victim’s burden of proof should be considered. From the various documents being published, it appears that the producer’s strict liability will remain as the main liability rule, but it will be combined -as the NFT suggests- in the case of the breach of a duty of care with a fault-based liability rule. This approach leaves some open questions, i.e., how to properly combine both grounds of liability in the domain of products that cause damages. In my view, the liability regime suggested by the NTF is far more complicated that the regime which distinguishes three types of defects that are often stressed: the defect of design, the defect of manufacturing, and the defect of information.
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.
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 | 0,004 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 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 découle