Notice bibliographique
Résumé
In 2017, the Canadian federal government launched the “Pan-Canadian Strategy on Artificial Intelligence,” an ambitious plan to make Canada “a global leader in AI.” As part of this plan, the government sought to stimulate discussion about the ethical and societal implications of AI by sponsoring a series of AI & Society workshops. Hosted by the Canadian Institute for Advanced Research (CIFAR), these workshops brought together academics, engineers, and policymakers to discuss the impact of AI on healthcare, education, the modern workplace, Indigenous communities, and other areas. In its reports, CIFAR describes the AI & Society workshops as inclusive, diverse forums that allow actors from a range of different disciplinary, occupational, and ethnic backgrounds to express their opinions and concerns about AI. This paper investigates whether the AI & Society workshops are truly inclusive, or whether they privilege the voices and perspectives of some actors over others. It will be argued that, by inviting only “experts,” “thought leaders,” and “community leaders” to participate, the workshops systematically exclude laypeople and average consumers of technology. This is highly problematic since average consumers bear many of the social costs of advancements in AI. After critiquing the workshops, the paper proposes ways to amplify the voices of regular users of AI in public and intellectual discourse.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,010 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».