Notice bibliographique
Résumé
With the advancement of robotics and artificial intelligence, the nature of risks evolves in a way that makes them harder to foresee and mitigate against. While specific risks cannot be as easily foreseen as before, general risks can still be identified and mitigated against. This mitigation may gain from being done at both technical and non-technical levels. The way we address that changing nature of risks matters for generating and maintaining trust in the technology, and for setting the conditions for the widest possible societal deployment of the technology. This is relevant to all the actors in the robotics industry, and even for actors in neighbouring technological industries (IoT, AI, etc.) as public trust erosion in one technology or application would affect all other contemporary technologies. Current standards are not tackling this changing nature of risks, and are more generally unsuited to the current and near future technology. Compliance to those standards, or even to more precise and updated standards might not shield producers from damage claims in case of accidents. We cannot wait for public policymakers to find answers to those challenges and must engage in a self-regulation effort. This white paper thus attempts to explore the way engineers and lawyers deal with new types of risks, and tries to clarify the way lawyers and judges are likely to react when having to deal with accidents and other legal issues related to developmental technologies
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 | 0,029 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,020 | 0,006 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,013 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,039 |
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 ».