Notice bibliographique
Résumé
The use of artificial intelligence (AI) in finance poses a new realm of questions about how it should be regulated, how its effects and consequences are governed and whether it should be subject to a defined code of ethics. Although the full potential of AI in this sector is still in its infancy, Japanese regulators appear to be more advanced in their approach to some of the ethical issues than their counterparts in many parts of the world. This paper asks: how can other areas of the globe learn from the experience of AI in financial services in Asia Pacific and Southeast Asia? And what issues are likely to need attention and action in the near term? To navigate the ethical and operational challenges of AI in financial services, all stakeholders — banking professionals, regulators and technology providers — must prioritise robust data governance, transparency and ethical AI practices. This involves leveraging strategic frameworks like the Generative AI Decision Tree to guide decision making, fostering cross-industry collaboration to establish comprehensive standards and adopting principle-based approaches that balance innovation with accountability. By aligning efforts to promote trust, inclusivity and sustainability, the financial sector can harness the full potential of AI while safeguarding its integrity and resilience.
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 | 0,019 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,043 |
| Communication savante | 0,013 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,010 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».