Co-regulation or Capitulation ? Addressing conflicts arising by AI and standardization
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
While an enormous number of business models and opportunities based on artificial intelligence (AI) turn it into an essential technology for competitiveness in the digital age, risks arise as well, recognized globally in a vast amount of policy statements. An adequate regulation that reconciles high-level ethics, dynamic technological progress and enforceable rules calls for cooperation, which can be found in legally referenceable technical standards. Such co-regulation reduces frictions between static rules and dynamic technology and allows for a flexible and dynamic legal framework for AI. But standard-setting is subject to strong competition and not without conflict. The implications of competition for AI-standards and differing ethics and values on AI-standardization are not yet clear. Competition due to diverging ethical approaches and ambitions means that standardization is more than a merely technical issue. While this aspect is reflected in part by AI-standards presented in this paper, important specifications and guidance for foreseeable collisions and conflicts are missing. This has to be accounted for in emerging regulation of AI. Further concretization with regard to the structure, competencies and boundaries of co-regulation is necessary. This paper pursues these issues with a focus on conflict and convergence in the regulatory framework of AI applications across jurisdictional boundaries. It provides insight in emerging AI-standards and obstacles for cooperation in national approaches to AI, thereby offering a starting point for further research regarding regulatory frameworks that incorporate AI-standards as an instrument of co-regulation. This paper shows that standards form already an important instrument in AI-regulation and outlines three approaches how to advance this development, indicating that the challenges for co-regulation of AI can most likely be mastered.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle