Perspectives on Managing AI Ethics in the Digital Age
Notice bibliographique
Résumé
The rapid advancement of artificial intelligence (AI) has introduced unprecedented opportunities and challenges, necessitating a robust ethical and regulatory framework to guide its development. This study reviews key ethical concerns such as algorithmic bias, transparency, accountability, and the tension between automation and human oversight. It discusses the concept of algor-ethics—a framework for embedding ethical considerations throughout the AI lifecycle—as an antidote to algocracy, where power is concentrated in those who control data and algorithms. The study also examines AI’s transformative potential in diverse sectors, including healthcare, Insurtech, environmental sustainability, and space exploration, underscoring the need for ethical alignment. Ultimately, it advocates for a global, transdisciplinary approach to AI governance that integrates legal, ethical, and technical perspectives, ensuring AI serves humanity while upholding democratic values and social justice. In the second part of the paper, the author offers a synoptic view of AI governance across six major jurisdictions—the United States, China, the European Union, Japan, Canada, and Brazil—highlighting their distinct regulatory approaches. While the EU’s AI Act as well as Japan’s and Canada’s frameworks prioritize fundamental rights and risk-based regulation, the US’s strategy leans towards fostering innovation with executive directives and sector-specific oversight. In contrast, China’s framework integrates AI governance with state-driven ideological imperatives, enforcing compliance with socialist core values, whereas Brazil’s framework is still lacking the institutional depth of the more mature ones mentioned above, despite its commitment to fairness and democratic oversight. Eventually, strategic and governance considerations that should help chief data/AI officers and AI managers are provided in order to successfully leverage the transformative potential of AI for value creation purposes, also in view of the emerging international standards in terms of AI.
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 | 0,017 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,070 |
| Communication savante | 0,022 | 0,019 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».