Increasing the accountability of automated decision-making systems: An assessment of the automated decision-making system introduced in Canada's temporary resident visa immigration stream
Notice bibliographique
Résumé
States are increasingly turning to automated decision-making systems to increase efficiency in program and service delivery. While automation offers several desirable benefits, great care must be given to establishing and increasing the accountability of automated decision-making systems in the public sector. This paper focuses on accountability in automated decision-making systems in migration management. A key issue is what the impact of automated decision-making is on accountability in migration management? This paper seeks to explore this question by evaluating the accountability mechanisms established by the Canadian government in the use of automated decision-making systems to triage Temporary Resident Visa immigration applications. This paper begins with an explanation of the interaction between public administration and digital governance, with a particular focus on the human decision-making component of public administration and a review of accountability in the public sector. What follows is an explanation of how decision-making in Canada's Temporary Resident Visa Application stream traditionally occurs. A brief review of the Canadian Algorithmic Impact Assessment Tool introduces a thorough explanation of the Canadian government's Temporary Resident Visa (TRV) eApps Advanced Analytics Pilot to showcase changes between the traditional human decision-making process and the more recent experiment engaging automated decision-making in this particular immigration stream. The paper concludes by posing a question on what accountability amounts to for the Canadian government and whether the accountability measures introduced in Canada's TRV Pilot are sufficient.
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 | 0,013 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».