Strengthening our Resolve
Notice bibliographique
Résumé
Much has been written and discussed about artificial intelligence (AI) and growing sentiment suggests it is here to stay. How AI should be used, positioned, developed and governed? Will AI be the solution to persistent and inconceivable challenges, position early adopters for competitive advantage and economic growth? Questions and concerns abound, but it is time we move beyond debate and come to a resolution regarding ethical AI standards and policies to influence and govern use. Co-sponsored by the Information Policy and Information Ethics special interest groups (SIGs), this proposal is for a pair of 90-minute speaker panels, facilitated by the respective SIG convenors. This joint panel presents a continuous conversation to strengthen our resolve for ethical AI standards and policies. Panelists will present intercultural and geopolitical perspectives to frame an ethical stance that will be workshopped across panels for an ethical pedagogical position to inform policy. The second panel, Implementing AI in pedagogy: Toward a framework for policy development, will feature four speakers focusing on policy considerations. Shengnan Yang (University of Western Ontario) and Awa Zhu (University of Tennessee, Knoxville) will share a study examining the contradictions that emerge when Generative AI is integrated into LIS teaching using Activity Theory, exploring how faculty navigate tensions between pedagogical values and technological innovation. Jenny Bossaller (University of Missouri) will discuss the shifting U.S. policy on AI, from Biden’s cautious BluePrint for an AI Bill of Rights to Trump’s stance, marked by laissez-faire and rapid deployment. That shift has global repercussions for both higher education and scholarly publishing. Adam Berkowitz (University of Alabama) will speak on the legal frameworks that govern intellectual property, data, non-expressive works, and fair use, which enable tech companies to leverage copyrighted works as AI training data, and ethical, critical, and legal implications concerning the manner in which tech companies extract data from copyrighted works and the use of AI to produce expressive works. We acknowledge and appreciate the individual and collective decolonizing efforts and commitments of our SIG members. Our conversations reflect complex intercultural challenges, which we discuss with an ethic of care, confidentiality, intellectual curiosity and respect for divergent perspectives and practices.
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 | 0,035 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,014 |
| Communication savante | 0,031 | 0,029 |
| Science ouverte | 0,007 | 0,021 |
| Intégrité de la recherche | 0,033 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,114 | 0,046 |
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 ».