Report prepared by the Montreal AI Ethics Institute (MAIEI) on\n Publication Norms for Responsible AI
Notice bibliographique
Résumé
The history of science and technology shows that seemingly innocuous\ndevelopments in scientific theories and research have enabled real-world\napplications with significant negative consequences for humanity. In order to\nensure that the science and technology of AI is developed in a humane manner,\nwe must develop research publication norms that are informed by our growing\nunderstanding of AI's potential threats and use cases. Unfortunately, it's\ndifficult to create a set of publication norms for responsible AI because the\nfield of AI is currently fragmented in terms of how this technology is\nresearched, developed, funded, etc. To examine this challenge and find\nsolutions, the Montreal AI Ethics Institute (MAIEI) co-hosted two public\nconsultations with the Partnership on AI in May 2020. These meetups examined\npotential publication norms for responsible AI, with the goal of creating a\nclear set of recommendations and ways forward for publishers.\n In its submission, MAIEI provides six initial recommendations, these include:\n1) create tools to navigate publication decisions, 2) offer a page number\nextension, 3) develop a network of peers, 4) require broad impact statements,\n5) require the publication of expected results, and 6) revamp the peer-review\nprocess. After considering potential concerns regarding these recommendations,\nincluding constraining innovation and creating a "black market" for AI\nresearch, MAIEI outlines three ways forward for publishers, these include: 1)\nstate clearly and consistently the need for established norms, 2) coordinate\nand build trust as a community, and 3) change the approach.\n
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 | 0,068 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,019 | 0,006 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,016 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,011 |
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 ».