A note on certain implications of clinical artificial intelligences for the field of medico-legal semiotics
Notice bibliographique
Résumé
Artificial intelligence has profound implications for the filed of clinical practices, and also for semiotics and law. In this article, we articulate and explain the different types of Clinical artificial intelligence (CAIs) as their normativity often stems from their type (symbolic or connectionist) (Harnad, 1990), and relative autonomy/agency. Older, symbolic AI, while more explainable, did not offer the potential that offer the current, second generation CAIs. The intelligibility of the reasoning used by CAIs remains largely opaque and generally unintelligible and unexplainable for human interpreters, even sometimes counter-factual (Lee & Topol, 2024). This is also true of the most recent so-called “explainable” AIs, that remains imperfect and only very partially explainable (Reddy, 2022). The most recent literature reveals that the very question of AI explainability continues to be one of the most heavily debated concerning CAIs (Hildt, 2025). In this article, we will reveal that the solution to the black-box problem of CAIs resides in an investigation in the (bio)semiotic nature of both CAIs themselves, but also the problem that surround their explainability. We conclude with solutions to promote transparency in the use of CAIs.
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 | 0,001 | 0,014 |
| 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 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 ».