Shaping Artificial Intelligence Regulatory Model: International and Domestic Experience
Notice bibliographique
Résumé
The article contains an analysis of AI regulatory models in Russia and other countries. The authors discuss key regulatory trends, principles and mechanisms with a special focus on balancing the incentives for technological development and the minimization of AI-related risks. The attention is centered on three principal approaches: “soft law”, experimental legal regimes (ELR) and technical regulation. The methodology of research covers a comparative legal analysis of AI-related strategic documents and legislative initiatives such as the national strategies approved by the U.S., China, India, United Kingdom, Germany and Canada, as well as regulations and codes of conduct. The authors also explore domestic experience including the 2030 National AI Development Strategy and the AI Code of Conduct as well as the use of ELR under the Federal Law “On Experimental Legal Regimes for Digital Innovation in the Russian Federation”. The main conclusions can be summed up as follows. A vast majority of countries including Russian Federation has opted for “soft law” (codes of conduct, declarations) that provides a flexible regulation by avoiding excessive administrative barriers. Experimental legal regimes are crucial for validating AI applications by allowing to test technologies in a controlled environment. In Russia ELR are widely used in transportation, health and logistics. Technical regulation including standardization is helpful to foster security and confidence in AI. The article notes widespread development of national and international standards in this field. Special regulation (along the lines of the European Union AI Act) still has not become widespread. A draft law based on the risk-oriented approach is currently discussed in Russia. The authors of the article argue for the gradual, iterative development of legal framework for AI to avoid rigid regulatory barriers emerging too prematurely. They also note the importance of international cooperation and adaptation of the best practices to shape an efficient regulatory system.
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 | 0,016 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».