What is civic participation in artificial intelligence?
Notice bibliographique
Résumé
There are increasing calls across disciplines and sectors that the public should participate in decisions about the use of artificial intelligence (AI). Public input in governmental decision-making is particularly crucial to promoting a well-functioning democracy and mitigating harms from AI. However, AI's opacity, mutability, and resource requirements impede meaningful civic engagement particularly in urban environments. Many prior systematic reviews of civic participation and AI draw on the smart city literature. However, several other disciplines influence civic participation in AI so a siloed disciplinary focus offers only partial guidance for participation's future role in AI. Our multi-disciplinary analysis blends works in smart cities, and in public policy, communication and, importantly, computer science to reveal distinct and highly variable pathways for civic participation. We use a sequence of manual and automated steps to conduct a structured literature analysis beginning with over 3,000 articles. We categorize authors' work on participation in AI into five themes: participation as a natural byproduct of automating government, participation facilitated through the medium of AI, participation in AI as quantification, participation as a technocracy of trust, and participation as meaningful. With few exceptions, authors seemed not to challenge the status quo nor diminish the authority of the experts. Authors focused on the processual without the influence and AI aided in that process orientation. We conclude that the future of public participation in AI requires careful attention to become meaningful including recognition of neoliberal intent and power differentials.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».