Technological Prejudice: Demonstrating the Ontological Challenge of Building a Critical Theory of Artificial Intelligence
Notice bibliographique
Résumé
This paper contributes to a theory of artificial legal intelligence (ALI) that harmonizes concerns for artificial intelligence (AI) bias and prejudice with 1) the critical perspective, and (2) Jacques Ellul’s critique of the “technological phenomenon”. Necessary to this contribution is an argument for the importance of ontology in understanding the multidimensionality of ALI, and critical theory’s ability to deal with this multidimensionality. First, the paper introduces critical theory and some of its tenets. My focus then is critical legal studies (CLS) and their contentious relationship with the ontological issue of instrumentality. I emphasize that one way a theory of ALI can engage with this critical theme is through an ontological classification of AI. I propose two classifications: AI as a tool and AI as an ideological phenomenon. Each classification is attributive of a certain autonomy to AI and telling about a potentiality for domination a critical theory of ALI should recognize, deconstruct, and challenge. Ellul’s argument that the technological phenomenon is “autonomous” informs this part of my argument. I then discuss the concept of “prejudice” and find that, considering the ontological classifications, prejudice is visible in more than one form. Although the “algorithmic bias” approach is adequate for AI as a tool, it does not account effectively for another form of prejudice rooted in technology. I call it technological prejudice.
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 | 0,022 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,090 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,009 |
| 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 ».