Is discrimination in artificial intelligence sufficiently regulated?
Notice bibliographique
Résumé
Artificial intelligence (AI), and more specifically machine learning, offers new opportunities in several fundamentally different fields (e.g. health, finance, law, construction). This technology is becoming increasingly important in our society and is revolutionizing how we process and use data. However, AI replicates human cognitive biases, some of which can be discriminatory. As a result, its use by the private sector should not be at the expense of the right to equality and privacy. In this essay, we focus on the Canadian and, more specifically, the Quebec legislative framework for the private sector regarding discrimination through the use of AI. We argue that there are gaps in ensuring an effective framework to reduce the risk of discriminative bias (discrimination) when developing AI solutions. We begin our analysis of this framing by taking care to introduce the key concepts to our analysis (i.e. machine learning, cognitive biases, discriminatory biases, and ethical issues). Next, we will present some cases where the use of AI by the private sector has been a failure in terms of discrimination and ethics. We then study the various national and international initiatives to frame AI practices (e.g. the Montreal Declaration). Finally, we propose possible solutions to improve the current Quebec framework to regulate AI practices concerning discrimination. We propose, among other things, to modify the responsibilities and powers of the Commission des droits de la personne et des droits de la jeunesse and to add new responsibilities for private companies.
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 | 0,043 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,087 |
| Communication savante | 0,017 | 0,011 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,011 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».