Approaches to Responsible Governance of GenAI in Organizations : Peer-Reviewed and accepted in IEEE-ISTAS 2025
Notice bibliographique
Résumé
The rapid evolution and integration of Generative AI (GenAI) across industries have introduced unprecedented opportunities for innovation while also presenting complex challenges around ethics, accountability, and societal impact. This white paper draws on a combination of literature review, established governance frameworks [1] - [10], and insights from industry roundtable discussions with industry experts varying in professional backgrounds and organizations. Weekly discussions with these experts have contributed valuable practical insights that have enriched the paper, ensuring that its recommendations are grounded in real-world experiences and challenges. Through an analysis of existing governance models, real-world use cases, and expert perspectives, this paper identifies core principles for integrating responsible GenAI governance into diverse organizational structures. The primary objective is to provide actionable recommendations for organizations to adopt a balanced, risk-based governance approach that allows for both innovation and oversight. Through an analysis of existing governance models, expert roundtable discussions, and real-world use cases, this paper identifies core principles for integrating responsible GenAI governance into diverse organizational structures. Findings emphasize the need for adaptable risk assessment tools, continuous monitoring practices, and cross-sector collaboration to establish trustworthy and responsible AI. These insights provide a structured foundation for organizations to align their AI initiatives with ethical, legal, and operational best 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 | 0,069 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».