Developing an artificial intelligence ethics governance checklist for the legal community
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study develops a stakeholder-informed artificial intelligence (AI) ethics governance checklist tailored for Canadian law firms to help them harness the productivity and economic advantages of AI while minimizing the risks of unethical outcomes. Recognizing the limitations of existing AI principles (AIPs) in preventing unethical outcomes, this research uses semi-structured interviews, qualitative content analysis, and expert stakeholder engagement to design an eight-page AI ethics governance checklist. In addition to the output of a practical governance checklist, the study reports findings about the development of stakeholder-informed governance checklists. The findings reveal that Canadian lawyers share global concerns surrounding AI risks, including privacy, accountability, safety and security, transparency and explainability, human oversight, professional responsibility, and the promotion of human values. In addition, many law firms interact with AI primarily through third-party vendors, making a principle-based checklist the most practical approach. The research highlights the importance of question format, suggesting that balancing clarity (using Yes/No options) with flexibility (allowing for open-ended comments) is essential, given the complex ethical considerations. The study also finds there is a need to integrate the checklist with existing policies, such as privacy impact assessments and IT risk evaluations, alongside relevant regulatory frameworks. Additionally, tailoring language and definitions to reflect the specific needs of stakeholders (in this case, lawyers) enhances usability and effectiveness. The resulting eight-page, stakeholder-informed AI ethics governance checklist has been adopted by several Canadian law firms and Barristers’ Societies, offering a practical tool to guide the responsible adoption and use of AI in the legal sector.
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.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découle