MétaCan
Menu
Retour à la cohorte
Enregistrement W4389687355 · doi:10.55606/eksekusi.v2i1.789

Implementasi Artificial Intelligence (AI) Dalam Pembentukan Peraturan Perundang-Undangan Di Indonesia

2023· article· en· W4389687355 sur OpenAlex
Nabila Fitri Amelia, Diva Maura Marcella, Hening Jiwa Semesta, Sabrina Budiarti, Saskiana Fitra Usman

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueEksekusi Jurnal Ilmu Hukum dan Administrasi Negara · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal and Policy Analysis in Indonesia
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationEuropean unionStatutory lawPolitical scienceLawBusinessArtificial intelligenceLaw and economicsComputer scienceSociologyInternational trade

Résumé

récupéré en direct d'OpenAlex

Utilization of Artificial Intelligence (AI) in the formation of laws and regulations and its implications for ethics and security. This article highlights the limitations of AI in interpreting data and forming algorithms, which can lead to bias and discrimination. This article also discusses the role of legal experts in ensuring the ethical and safe use of AI within statutory regulations. The article provides examples of countries that have implemented AI in their legislation, such as Canada and the European Union. The article concludes that although AI has the potential to improve the efficiency, accuracy and quality of legislation, it should be used as a tool and not replace the role of lawmakers.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,771
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,056
Tête enseignante GPT0,380
Écart entre enseignants0,325 · 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