Artificial intelligence and evidence for social work: will a robot steal your job?
Notice bibliographique
Résumé
Artificial intelligence (AI) is widely used to support decision making and interventions, arguably saving time, reducing bias and improving decision accuracy. The profession must urgently appraise the potential and pitfalls of this rapidly developing technology. This challenge was addressed at the 2024 European Social Work Research Association conference in Vilnius, at which the Evidence into Practice Special Interest Group focused on three contemporary AI developments: (1) large language models (LLMs); (2) AI- and robot-supported interventions; and (3) predictive risk modelling (PRM). This short ‘Reflection, exchange and dialogue’ article outlines the presentations, issues discussed and further reflections. Although LLMs have an impressive ability to manipulate language, essential case detail and analysis remain human tasks. There are robot technologies already helping people in the domains of disability and eldercare, and AI ‘language robots’ are being used favourably in low-risk mental health contexts, providing a non-judgemental (non-human) and ever-available ‘listener’ and ‘advisor’. PRMs raise many conflicting views. The ‘black box’ of AI may ‘hide’ systemic bias, though proponents argue that humans are biased too, so perfection is not an appropriate comparator. Our conclusion is that a priority is to examine, shape and regulate the interface between humans and computer algorithms.
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 | 0,072 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,027 |
| Communication savante | 0,012 | 0,028 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,011 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».