Navigating the Ethical Terrain of AI Technologies: A Practice-Based View
Notice bibliographique
Résumé
Our symposium will explore the unique dynamics that give rise to and intensify ethical concerns with regards to AI technologies. The research presented will discuss topics such as how the design stage of an AI system cannot be isolated as an independent stage from the rest of the AI lifecycle. We will engage with the audience in meaningful discussion about the ethics of AI that is grounded both in the development stages as well as the use, implementation, and ongoing maintenance stages. The nascent field of AI ethics will greatly benefit from adopting a more processual and situated understanding of ethics with regards to AI tools and from empirically exploring the use of AI and its enacted ethical implications (Barley & Bailey, 2020). This symposium will provide a forum to explore current research in this area and foster discussions to enhance impact on both research and practice. I Know Best: The Constitution of Ethics in the Co-Development of AI across Professions Author: Yiran Xu; - Author: Rene Wiedner; Warwick Business School Author: Joe Nandhakumar; U. of Warwick Is This Fair? How Algorithmic Fairness Becomes Performative Author: Sarah Lebovitz; U. of Virginia Author: Emmanouil Gkeredakis; IESE Business School When Fairness Is at Stake: How Morality Shapes the Deployment of AI in Organizations Author: Elmira Van Den Broek; Stockholm School of Economics A Quality of Mercy is not Trained: Entanglement of AI and Ethics in Operating Room Scheduling Author: Samer Faraj; McGill U. Author: Anand Bhardwaj; McGill U. - Desautels Faculty of Management
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 | 0,092 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,022 | 0,138 |
| Communication savante | 0,035 | 0,036 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,019 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».