Generative AI, Specific Moral Values: A Closer Look at ChatGPT’s New Ethical Implications for Medical AI
Notice bibliographique
Résumé
Cohen's (2023) mapping exercise of possible bioethical issues emerging from the use of ChatGPT in medicine provides an informative, useful, and thought-provoking trigger for discussions of AI ethics in health.Yet, he acknowledges that it is not exhaustive.Cohen's analysis carefully considers principles such as privacy and bias prevention, but it does not delve into areas such as explainability, responsibility, or accountability, which are essential to explore.In this commentary we build on Cohen's foundation, adding implications that stem from a distinctive feature of ChatGPT that differentiates it from conventional medical AI tools.In the context of our ongoing research under the NIH-funded Bridge2AI program, we are spearheading the first comprehensive scoping review of ethical and trustworthy medical AI design, employing a bioethical lens to focus on value-based aspects (Victor et al., 2023).Our review spans a broad range of literature, revealing the core moral values that underscore medical AI development.This review enables us to inform a 'value-sensitive design' approach to medical AI.Our work validates Cohen's arguments regarding ChatGPT raising familiar bioethical issues such as bias and privacy, but also brings to light uncharted ethical challenges arising from ChatGPT's status as a general AI model.
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 | 0,043 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,031 |
| Communication savante | 0,009 | 0,019 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,031 | 0,040 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».