“One of Silicon Valley’s Most Divisive Topics”: How the Media Discusses Openness in AI
Notice bibliographique
Résumé
In the last few years, there has been a rapid release of highly capable Artificial Intelligence (AI) systems labeled as “open” or “open source.” Openness in AI encompasses a wider range of practices than open source software: from AI systems with all components published publicly to those that only share model weights and prohibit certain uses. Today, embracing this concept is a contentious topic. Some argue that the benefits of openness outweigh its risks. Others believe open release of AI poses more risks to society. This “Open vs. Closed AI” debate has made headlines in major news outlets and has become a political topic. In this study, we analyze how AI openness is framed in the media through a qualitative analysis of 223 newspaper articles from the U.S., France, and China. We find that effective communication around this debate is hindered by inaccurate use of terminology, the presence of misleading information, and an either-or dichotomy of AI openness that does not reflect the complexity of AI system development. Our analysis also reveals significant heterogeneity across news sources, and that media discourse on AI openness focuses solely on a handful of models. The media can influence public opinion on AI, promote user adoption of certain models, and subsequently impact technology policy decisions. Therefore, we call on the AI community to help add clarity to the debate.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».