Can Artificial Intelligence Author Laws: A Perspective from Russia
Notice bibliographique
Résumé
This article discusses the issue of the introduction of digital technologies into policy-making. The article describes several systems of policy-making in the Russian Federation. In addition, the article discusses the issue of the introduction of a new System of policy-making in the light of the digital transformation of the Russian economy. The paper analyzes the capacities of digital technologies, including artificial intelligence (AI), in the context of their application in policy-making. The authors conclude that there are prerequisites and opportunities for deeper automation of the policy-making. This can improve the quality of the bills, can increase public involvement in the policy-making process, and speed up the development and adoption of new regulations. An intelligent system can develop legislative bills that are of superior technical quality and are non-contradictory in the context of both national and international legal systems. Digitalization processes should naturally lead to changes in the mechanism of policy-making, which in turn should lead to its greater automation. Moreover, insufficient automation today can become an obstacle in the digital transformation of the Russian economy. The authors conclude that in the future it would be possible for intellectual systems to author bills. The general development of AI systems shows that given the parameters of the problem and given the circumstance when the machine would be able to detect a center of social tensions in the community, the intelligent system itself would be capable of making proposals in the field of legislative regulation. The application of intelligent systems in policy-making is not without its drawbacks. Such systems are not transparent in the legal and technical sense and can also transfer human beliefs into the texts of the regulations. These problems can be addressed through public scrutiny and the introduction of a licensing system, however even this would create a number of new practical challenges.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,022 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».