A Comparative Perspective on the Future of Law in a Time of Artificial Intelligence
Notice bibliographique
Résumé
The article explores the impact of AI on legal systems globally. It highlights how technology, particularly AI, disrupts social order and power dynamics, necessitating legal adaptations. The document categorizes global AI regulatory responses into four types: no response, reliance on existing tech regulations, fragmented solutions, and unified approaches. The European Union (EU) has adopted a unified approach with the Artificial Intelligence Act (AIA), aiming to harmonize AI rules, address risks, and stimulate AI development. The United States employs a piecemeal approach with the National Artificial Intelligence Act of 2020 and various state laws and executive orders. Australia lacks specific AI legislation, but it has an AI Action Plan focusing on economic benefits and talent development. South Africa’s National AI Policy Framework emphasizes economic transformation and social equity. The African Union’s Continental AI Strategy aims for socio-economic transformation while addressing AI risks. Canada has a Voluntary Code of Conduct and a proposed Artificial Intelligence and Data Act (AIDA). The document critiques current AI regulations for incomplete definitions and a lack of focus on the broader societal purpose of AI. It stresses the need for regulations to consider ethical dimensions and societal impacts. The document concludes that AI regulation must balance innovation with social order, human dignity, and safety, emphasizing the urgent need to address AI’s energy and water consumption to prevent potential global instability.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».