Regulating the machine: An exploratory study of US state legislations addressing Artificial Intelligence, 2019-2023
Notice bibliographique
Résumé
Artificial Intelligence (AI) poses transformative and disruptive challenges for democracy, for policy makers, and for government agencies. While various policy initiatives around the world seek to regulate AI, in the United States (US) federal government there is no sign of a comprehensive AI law, and few legal measures to enable or restrict AI have been proposed and passed. However, states across the US are active in attempting to address issues related to AI and have proposed hundreds of legislations related to AI in the past few years. In this paper, we examined what these legislations have sought to accomplish in relation to AI, and the potential impacts for the public in general and for public administration in particular. From a preliminary and descriptive analysis of all US state legislations related to AI passed from 2019 to 2023, we show how these legislations are addressing AI in terms of: (1) the types of legislations adopted or enacted; (2) the definitions of AI and associated technologies given; (3) the sectors and domains principally addressed in AI legislations; (4) the private sector and government actions directed by the legislations; and (5) how ethical and economic considerations are addressed. We generally found a lack of definition of AI, and associated technologies mentioned are rarely specific. Many of the laws create commissions or task forces to study AI, addressing the various practical and ethical issues related to AI. Legislations have created some regulations and support for industry, and have directed government agencies to identify existing AI capabilities and how AI may be employed in their agencies and jurisdictions. Considerable emphasis has been placed on issues of bias and discrimination, as well education and economic investment in AI, although unevenly distributed across states. We summarize and discuss these results in relation to existing literature and make some recommendations on how state legislatures may better address AI in the future.
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 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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».