ARTIFICIAL INTELLIGENCE AS IM/MOBILITY: PRE-LIMIRARY THOUGHTS ON UNDERSTANDING THE USE OF AI IN IMMIGRATION SYSTEMS
Notice bibliographique
Résumé
Technology, including artificial intelligence in im/migration service delivery and migration management have been widely deployed in EuroAmerica (Mongia, 2018; Walia, 2021). In Canada, Immigration Refugee Citizenship Canada (IRCC) has, in the past few years, secretly piloted an in-house built AI system for triaging im/migrant applications from China, India and the Philippines (Molnar & Gill, 2018). The 2 million immigration applications backlog in part caused by the COVID-19 pandemic has been used as a justification to accelerate the push for the adoption of AI in im/migration affairs stating the need to modernize, optimize and expedite immigration affairs. Building on AoIR 2022’s theme, I take a decolonial approach to the study of AI and im/migration issues. I follow the claim made by decolonial scholars (El-Nany, 2020) that it is necessary to go back in history in order to better understand current power relations, systemic racism and patriarchy, the ongoing dispossession and forced im/mobility of racialized populations located in the global South. I conceptualize the use of AI as immobility to show how populations become testing grounds to decide who is worthy of im/mobility. Methodologically, this conference paper is informed by access to information requests made to the government of Canada to shed light on the use of AI systems within the IRCC. In addition, this paper relies on desk research including newspaper articles, blog posts and podcasts by and with immigration lawyers, and parliamentary hearings.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».