Properties of artificial intelligence systems in the context of their use in legal activities
Notice bibliographique
Résumé
The study was undertaken to reflect on the values of modern artificial intelligence systems in the context of the use of such systems in legal, especially law enforcement activities.The application of artificial intelligence in the research focuses on the properties of fairness, accountability, and transparency.Fairness should exclude distortions in the operation of artificial intelligence systems, caused by the settings of scales or the specifics of the dataset collected for training the system.Accountability is seen as the property of an AI system to protect user data that is included in a dataset or processed by an AI system.Transparency, on the other hand, reflects the ability to verify the decision logic of an AI system and reverse-engineer its algorithm.This property is currently the least attainable, but it is directly related to the evaluation of the effectiveness of AI, and hence to the possibilities of integrating such systems into legal activities.This paper uses the current understanding of the capabilities of systems based on machine learning methods: convolutional artificial neural networks and transformer networks.The study reveals differences and discussions of AI perspectives in legislation and the state of legal regulation, public and academic approaches to this issue in the European Union, the USA, Canada, Singapore, China, Russia, and Kazakhstan.As a result, the study proposes a set of recommendations for banning/restricting the use of artificial intelligence and decision support systems, considering national and international legislation.
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 | 0,017 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».