LEGAL AND ETHICAL PERSPECTIVES ON (BIG) DATA, PLATFORMS, AI AND ALGORITHMS
Notice bibliographique
Résumé
AoIR and the Journal of Information, Communication and Ethics in Society (JICES) share common interests in critical reflection on the ethical and social dimensions of the internet and internet-facilitated communication, and have begun a collaboration aimed at collecting ethically-focused AoIR conference submissions for presentation and critique at AoIR, with a view towards subsequent publication in a special issue of JICES. This panel collects four papers exploring especially the legal and ethical dimensions of new technologies, including data collection and storage as public goods vis-à-vis central questions of justice (Paper 1, Towards a Political Theory of Data Justice: A Public Good Perspective); critiques from Western and non-Western positions of the utilitarianism otherwise driving the platforms’ business models and rationales (Paper 2, Google and Facebook VS Rawls and Lao-Tsu: How Silicon Valley’s utilitarianism and Confucianism are bad for Internet ethics); basic tensions between the rule of law vis-à-vis algorithmic “decision-making” processes in jurisprudence and “surveillance capitalism” (Paper 3, The Jurisprudence of Datafied Law); and a taxonomy of the ethics of AI, algorithms and big data based on an analysis of 90 guidelines from 2017-2020 (Paper 4, A systematic literature Review of ethical Code of Conducts in the field of Internet Research). These papers directly take up the central interests shared between AoIR and JICES in the ethical and social dimensions of the internet and internet-facilitated communication. They offer new insight on legal and ethical aspects of contemporary technologies, some of which will have specific implications for internet research ethics.
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 | 0,003 | 0,010 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».