Artificial Intelligence in Governance: The State of Facial Recognition Technology in Canada
Notice bibliographique
Résumé
Innovation in public service delivery can help the rapid transformation of society into a post-COVID era. In addition to minimizing administrative hassles, efficiently using Artificial Intelligence (AI) can protect citizens from unwanted behaviors. AI broadly denotes the efficiency of computers in replicating human intelligence, such as identifying different patterns and making predictions and decisions. AI encompasses numerous techniques, and machine learning is one of the most widely used. Machine learning is a method of deploying large datasets to make predictions that improve over time with more data. By 2030, Canada aims to have one of the most robust national AI ecosystems in the world, founded upon scientific excellence, high-quality training, deep talent pools, public-private collaboration, and their strong value of advancing AI technologies to bring positive social, economic, and environmental benefits for people and the planet. This study intended to assess the overall situation of AI in governance and policy compliance. I found that the country relies on patchwork and faces numerous legal and practical issues owing to the absence of an umbrella policy and organization. This research also proposes ideas to enhance governance to improve biometric data protection, legal frameworks, and quality standards for collecting biometric data based on the FRT. This study is based on focus group discussions, policy papers of the government of Canada, and many other literature and research articles.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,010 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».