Strategies for Addressing the Lack of Artificial Intelligence Regulations to Protect Consumers in Digital Communication
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid development and implementation of Artificial Intelligence (AI) present substantial legal challenges for the digital society. While AI has the potential to offer numerous benefits, concerns about commercial exploitation and unforeseen technological risks have led many countries to seek appropriate legal frameworks to prevent potential harm. The era of digital communication presents artificial intelligence. AI should be developed to provide more optimal consumer protection, but the presence of artificial intelligence also has a negative impact with various criminal acts that occur in digital transactions. Therefore, regulations are needed to provide more optimal consumer protection. So far, regulations related to AI are still very limited, so they need to be developed. This research is very important to do. Therefore, this study conducted a study related to strategies to overcome the lack of regulations related to AI to provide consumer protection in the digital communication era. In addition, this study provides an overview of AI regulations carried out by developed countries, such as: the United States, Canada, China, the European Union, and South Korea. Employing normative legal research methods, the study utilizes a statutory regulation approach, drawing on both primary data sources and secondary legal materials. All data is analyzed qualitatively. The development of AI has prompted various countries to establish regulations to protect consumers from potential risks posed by this technology. Based on these policies, it can be seen that some countries already have regulations governing the use of AI with a focus on digital communication and consumer protection. Addressing the lack of AI regulations to protect consumers in digital communication involves a combination of strategies aimed at ensuring transparency, fairness, accountability, and safety in AI technologies.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle