Analyse des effets négatifs de l’intelligence artificielle dans l’administration : la face cachée des algorithmes intelligents et des machines cognitives
Notice bibliographique
Résumé
Cette recherche propose un cadre pour analyser les impacts négatifs de l’intelligence artificielle (IA) au sein de l’administration en classant 14 aspects appartenant à sa face cachée en cinq catégories sociotechniques. Le cadre est basé sur une analyse systématique de la littérature et met en évidence le fait que la face cachée est principalement déterminée par des aspects politiques, juridiques et institutionnels, mais qu’elle est également influencée par les données et la technologie. Le manque de compréhension des résultats, des biais et des erreurs de l’IA, ainsi que la manipulation des algorithmes intelligents et des machines cognitives sont des facteurs qui y contribuent. Le secteur public devrait créer des connaissances sur l’IA d’un point de vue éthique, inclusif et stratégique, en faisant appel à des experts de différents domaines. Remarques à l’intention des praticiens Les fonctionnaires et autres décideurs doivent être conscients des avantages potentiels de l’intelligence artificielle, mais aussi de sa face cachée, et s’efforcer d’éviter ces conséquences négatives potentielles.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,017 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».