Rethinking responsible AI from ethical pillars to sociotechnical practice
Notice bibliographique
Résumé
Abstract The growing demand for Responsible AI has crystallised around normative principles: fairness, transparency, accountability, privacy, safety, and value alignment, yet their implementation often reveals profound conceptual and operational instability. This research employs a constructively critical approach to examine the structural tensions underlying these pillars and argues that prevailing frameworks treat responsibility as a static compliance exercise, detached from the sociotechnical realities of AI systems. Drawing on traditions in process ethics, participatory design, and adaptive governance, the study develops a reframed understanding of Responsible AI as a dynamic, negotiated, and context-sensitive process. It advances a composite theoretical model and a layered ecosystem framework that redistributes responsibility across design, deployment, governance, and public deliberation. Through this reframing, the work offers both a critique of the dominant paradigm and a practical roadmap for interdisciplinary engagement, ethical responsiveness, and institutional reflexivity. The contribution is twofold: a conceptual synthesis that challenges the assumptions of checklist ethics, and an applied methodology with implications for AI researchers, developers, policymakers, and civil society actors working to navigate the ethical complexity of real-world AI design, deployment and use.
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 | 0,091 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,160 |
| Communication savante | 0,027 | 0,027 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».