Exploring the Challenges of Artificial Intelligence in Data Integrity and its Influence on Social Dynamics
Notice bibliographique
Résumé
This study examines the ethical challenges and regulatory dynamics of Artificial Intelligence (AI) in relation to data integrity and its influence on social dynamics. Employing a cross-sectional survey approach, primary data was collected from 650 AI practitioners across various sectors, encompassing developers, data scientists, ethicists, and policymakers. The study investigated the correlations between regulatory compliance, ethical awareness, professional training, and experience in AI practice with the effectiveness of AI implementation and data integrity. The findings revealed a strong positive correlation between higher levels of regulatory compliance and perceived effectiveness in AI implementation, as well as between AI ethics awareness and data integrity assurance. Moreover, a significant relationship was observed between professional training in AI and its positive impact on social dynamics. However, experience in the AI field, while positively correlated, showed a weaker link to data integrity, indicating that experience alone is insufficient for ensuring effective AI practices. The study highlights the importance of ethical considerations, regulatory frameworks, and professional training in shaping AI development and its societal implications. The need for dynamic, adaptable, and inclusive regulatory frameworks that can align AI practices with societal values and ethical norms is emphasized. Future research directions include exploring AI ethics and regulation in diverse cultural contexts and the impact of emerging technologies like quantum computing on AI ethics.
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 | 0,032 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,016 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».