Could a Computer Learn to Be an Appeals Court Judge? The Place of the Unspeakable and Unwriteable in All-Purpose Intelligent Systems
Notice bibliographique
Résumé
I will take it that general intelligence is intelligence of the kind that a typical human being—Fred, say—manifests in his role as a cognitive agent, that is, as an acquirer, receiver and circulator of knowledge in his cognitive economy. Framed in these terms, the word “general” underserves our ends. Hereafter our questions will bear upon the all-purpose intelligence of beings like Fred. Frederika appears as Fred’s AI-counterpart, not as a fully programmed and engineered being, but as a presently unrealized theoretical construct. Our basic question is whether it is in principle possible to equip Frederika to do what Fred does as an all-purpose participant in his own cognitive economy. Can she achieve a sufficiency of relevant similarity to him to allow us to say that she herself can do what Fred can do, perhaps even better? One of the things that Fred can do—or at least could learn from experience to do—is discharge the duties of an Appeals Court judge. As set down in the ancient doctrine of lex non scripta, Fred must be able to detect, understand and correctly apply certain tacit and implicit rules of law which defy express propositional formulation and linguistic articulation. Fred has an even more widespread capacity for the epistemically tacit and implicit, clearly one of his most cost-saving kinds of intelligence. Indeed, most by far of what Fred will ever know he will know tacitly and implicitly. So we must ask: how tightly bound to the peculiarities of Fred’s cognitive enablement conditions is the character of the intelligence that he manifests? And how far down Fred’s causal make-up does intelligence actually go?
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».