Multilevel Collaborative Governance to Foster Responsible AI Deployment in Cities
Notice bibliographique
Résumé
Abstract Artificial intelligence (AI) is bringing new governance dynamics in cities. To ensure responsible deployment of this disruptive technology, municipalities throughout the world are putting in place various governance mechanisms. However, scholars and practitioners are more focused on AI governance from a regulations, policies, and strategies perspective, with less emphasis on the actual mechanisms or frameworks that can support cities in responsible AI deployment. Furthermore, the literature tends to overlook areas such as small and medium-sized cities as well as cities in the Global South, particularly in sub-Saharan Africa. By examining the cases of eThekwini in South Africa and Thérèse-De Blainville in Quebec, this article provides a nuanced understanding of how multilevel collaborative efforts can effectively harness AI for urban innovation, ensuring ethical standards and contextual relevance. The research methodology employed involves a comprehensive literature review focusing on the challenges and limitations of responsible AI development in resource-constrained urban environments, alongside an exploration of the concept of multilevel collaborative governance. Additionally, interviews were conducted with city officials and project teams involved in AI tool implementation to gain deeper insights into their strategies and experiences. The analysis reveals that multilevel collaborative governance in AI deployment supports these municipalities in overcoming the technical and financial gaps. Furthermore, this approach also ensures that AI is deployed ethically to address specific challenges and promote responsible urban innovation. However, complex dynamics of power and dependency arise in such collaborative frameworks. The hybrid roles of actors involved in AI deployment including public, private, and nonprofit sectors further complicate the regulatory landscape and require clear frameworks for accountability and responsibility. In exploring these dynamics, this article contributes to the broader discourse on AI governance, offering practical insights for policy makers and urban planners striving to navigate the challenges and opportunities of AI in resource-constrained settings.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,013 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,023 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».