Features of Classification of Crimes Committed by Persons using Artificial Intelligence Technologies in Healthcare
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.
Notice bibliographique
Résumé
Recognizing positive possibilities of artificial intelligence technologies in healthcare, as well as current ways to use them, the author identifies the main forms of implementation of digital innovation: physical form in the form of a medical robot and intellectual form in the form of software, registered as medical devices. It is stated that the legal issues related to bringing to justice for actions related to the use of intelligent systems in healthcare, which led to negative consequences, including harm to the life and health of patients, have yet to be resolved. According to the current legal regulation in Russia it is a medical organization and a medical professional using artificial intelligence systems or medical robotics equipped with digital technologies who are held liable for the harm caused to the life and (or) health of citizens while providing them with medical care. In turn, system developers, as well as those who train a system based on artificial intelligence (developers of artificial intelligence systems), are not held liable. The problems of classification of crimes committed by medical professionals using artificial intelligence technologies in healthcare are considered. A medical worker providing medical care using artificial intelligence may be the subject of a crime under Part 2 of Article 109 and part 2 of Article 118 of the Criminal Code of the Russian Federation, but not under Article 238 of the Criminal Code of the Russian Federation. In addition, the rules for the classification of crimes committed by other entities (the operator of information systems) using artificial intelligence technologies are formulated.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle