Notice bibliographique
Résumé
Tort law allows parties to seek remedies (typically in the form of monetary damages) for losses caused by a wrongdoer’s intentional conduct, failure to exercise reasonable care, and/or introduction of a specific risk into society. The scope of tort law makes it especially relevant for individuals who are harmed as a result of an artificial intelligence (AI)-system operated by another person, company, or government agent with whom the injured person has no pre-existing legal relationship (e.g. no contract or commercial relationship). This chapter examines the application of three primary areas of tort law to AI-systems. Plaintiffs might pursue intentional tort actions when an AI-system is used to intentionally carry out harmful conduct. While this is not likely to be the main source of litigation, intentional torts can provide remedies for harms that might not be available through other areas of law. Negligence and strict liability claims are likely to be more common legal mechanisms in the AI context. A plaintiff might have a more straightforward case in a strict liability claim against a wrongdoer, but these claims are only available in specific situations in Canada. A negligence claim will be the likely mechanism for most plaintiffs suffering losses from a defendant’s use of an AI-system. Negligence actions for AI-related injuries will present a number of complexities and challenges for plaintiffs. Even seemingly straightforward preliminary issues like identifying who to name as a defendant might raise barriers to accessing remedies through tort law. These challenges, and some potential opportunities, are outlined below.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».