AI Loyalty by Design
Notice bibliographique
Résumé
Abstract Personal and professional relationships between people take a wide variety of forms, with many including both socially and legally enforced powers, responsibilities, and protections. Artificial intelligence (AI) systems are increasingly supplementing, or even replacing, people in such roles including as advisors, assistants, and (soon) doctors, lawyers, and therapists. Yet it can be quite unclear to what degree they are bound by the same sorts of responsibilities. Much has been written about fairness, accountability, and transparency in the context of AI use and trust. But largely missing from this conversation is the concept of “AI loyalty”: for whom does an AI system work? AI systems are often created by corporations or other organizations, and may be operated by an intermediary party, such as a government agency or business, but the end-users are often distinct individuals. This leads to potential conflict between the interests of the users and those of the creators or intermediaries, and, problematically, to AI systems that appear to act purely in users’ interest even when they are not. Here, we investigate the concept of “loyalty” both in human and AI systems, and advocate its central consideration in AI design. Systems for which high loyalty is appropriate should be designed, from the outset, to primarily and transparently benefit their end users, or at minimum transparently communicate unavoidable conflict-of-interest tradeoffs. This chapter discusses both market and social advantages of high-loyalty AI systems, and potential governance frameworks in which AI loyalty can be encouraged and—in appropriate contexts—required.
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 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».