MétaCan
Menu
Retour à la cohorte
Enregistrement W4388196638 · doi:10.20944/preprints202310.1673.v1

AI and Regulation an Analysis

2023· preprint· en· W4388196638 sur OpenAlexaff
Paul Dumouchel

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueLegal and Policy Issues
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésSection (typography)MisrepresentationCognitionSet (abstract data type)Human intelligenceCognitive scienceNatural (archaeology)IllusionPsychologyComputer scienceArtificial intelligenceSociologyCognitive psychologyPolitical scienceLawHistory

Résumé

récupéré en direct d'OpenAlex

This paper argues that popular misrepresentation of the nature of AI has important consequences concerning how it should be regulated. Viewing AI as something that exists in itself, rather than as a set of cognitive technologies whose characteristics – physical, cognitive, and systemic – are quite different from ours (and at times from each other) leads to inefficient approaches to regulation. It limits our ability to anticipate the consequences of its foreseeable developments and social diffusion. It undermines attempts to protect ourselves from the social and political dangers it presents. After a short introduction, section 2 retraces rapidly the history of the idea that intelligence is essentially a quality, one that AI shares with human intelligence and that this resemblance trumps the differences that exist between artificial and natural cognitive systems. Section 3 reviews two approaches to the dangers of AI that reflect the illusion that AI exists in itself. Section 4 turns to the proper understanding of regulations and what is their main goal and purpose. Section 5 analyses three central characteristics of artificial cognitive systems which section six compares with corresponding characteristics of natural cognitive systems. Finally, section 7 draws some conclusions regarding how we should regulate artificial intelligence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0050,029
Communication savante0,0100,010
Science ouverte0,0010,004
Intégrité de la recherche0,0060,006
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,257
Tête enseignante GPT0,468
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetLegal and Policy IssuesTravaux en français237 207