Notice bibliographique
Résumé
An expert on the mind considers how animals and smart machines measure up to human intelligence. Octopuses can open jars to get food, and chimpanzees can plan for the future. An IBM computer named Watson won on Jeopardy! and Alexa knows our favorite songs. But do animals and smart machines really have intelligence comparable to that of humans? In Bots and Beasts, Paul Thagard looks at how computers (“bots”) and animals measure up to the minds of people, offering the first systematic comparison of intelligence across machines, animals, and humans. Thagard explains that human intelligence is more than IQ and encompasses such features as problem solving, decision making, and creativity. He uses a checklist of twenty characteristics of human intelligence to evaluate the smartest machines—including Watson, AlphaZero, virtual assistants, and self-driving cars—and the most intelligent animals—including octopuses, dogs, dolphins, bees, and chimpanzees. Neither a romantic enthusiast for nonhuman intelligence nor a skeptical killjoy, Thagard offers a clear assessment. He discusses hotly debated issues about animal intelligence concerning bacterial consciousness, fish pain, and dog jealousy. He evaluates the plausibility of achieving human-level artificial intelligence and considers ethical and policy issues. A full appreciation of human minds reveals that current bots and beasts fall far short of human capabilities.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,019 |
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 ».