Future-proofing integrity in the age of artificial intelligence and neurotechnology: prioritizing human rights, dignity, and equity
Notice bibliographique
Résumé
This article I argue for the prioritisation of human rights when developing and implementing misconduct policies. Existing approaches may be perpetuate inequities, particularly for individuals from marginalised groups. A human-rights-by-design approach, which centres human rights in policy development, revision, and implementation, ensuring that every individual is treated with dignity and respect. Recommendations for implementing a human-rights approach to misconduct investigations and case management are offered, covering areas such as procedural fairness, privacy, equity, and the right to education. Additional topics covered are the need to limit surveillance technologies, and the need to recognize that not all use of artificial intelligence tools automatically constitutes misconduct. I disentangle the differences between equity and equality and explain how both are important when considering ethics and integrity. A central argument of this paper is that a human-rights-by-design approach to integrity does not diminish standards but rather strengthens educational systems by cultivating ethical awareness and respect for personhood. I conclude with a call to action with a seven-point plan for institutions to adopt a human-rights-based approach to ethics and integrity. In the age of artificial intelligence and neurotechnology, insisting on human rights and dignity when we investigate and address misconduct allegations is an ethical imperative that has never been more important.
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 | 0,189 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,106 |
| Communication savante | 0,032 | 0,042 |
| Science ouverte | 0,004 | 0,027 |
| Intégrité de la recherche | 0,020 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».