A Rossian Method for Applying Principles in AI
Notice bibliographique
Résumé
In the past several years there has been a rapid development of new technologies, applications, organizations, and institutions in the area of artificial intelligence (AI). At the same time, ethical reasoning about AI has not been able to keep up with the speed of these advances. As a result, developers are left to rely on existing rules, professional codes, policies and personal ethics which may not provide the appropriate guidance about ethical conduct and may require greater specificity (O'Leary). Many commentators have acknowledged the need for a clearer understanding of ethical values and principles to guide AI research. Drawing on insights from the formation of the field of biomedical ethics, we argue that AI ethics should make use of the method based on prima facie duties derived from W.D. Ross’ approach to ethics. A Rossian approach has proved influential in biomedical ethics. We further propose a modification to the list of principles proposed by Floridi and Cowls, arguing that the principles of explicability and accountability should be separated for ease of application. We argue that this method of applying principles is just what has been missing in AI ethics and is the crucial link between the now common lists of principles and putting them into practice in a way that can inform actual developments on the ground.
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 | 0,070 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,038 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,009 |
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 ».