Navigating accountability: the role of paradata in AI documentation and governance
Notice bibliographique
Résumé
Purpose The increased use of Artificial Intelligence (AI) has prompted governments internationally to provide guidance and legislation to maximize the benefits of AI while minimizing the risks to humans and organizations. This paper explores how published requirements for documentation in a sampling of authoritative texts address the challenges of creating, capturing and preserving records of the design, implementation and use of AI tools for accountability and transparency, and how the analytical concept of paradata can help to meet the recordkeeping challenges presented by the design, development and implementation of AI systems. Design/methodology/approach Inductive reading and conceptual analysis of a set of AI laws, regulations and frameworks published by the EU, UK, USA, Canada and Singapore. Findings The authoritative texts reviewed clearly describe activities which imply the necessity of records creation and preservation. Identifying specific documents necessary to comprise a sufficient body of records to provide evidence of accountable AI implementation and operation can be difficult. Literature on paradata in archival applications of AI may prove productive in identifying relevant information artifacts for preservation in the AI process. Paradata is produced by those designing and implementing AI systems and by AI systems themselves. Practical implications Identifying relevant paradata produced by AI systems requires archivists to develop both the capacity to analyze and the vocabulary to discuss these systems in order to preserve evidence of their operation in compliance with legislation and international standards. Originality/value No comparable comparative analyses have been published in the archives and information field.
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 | 0,002 | 0,001 |
| 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 | 0,002 |
| 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 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 ».