The anatomy of AI policies: a systematic comparative analysis of AI policies across the globe
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
Abstract The rapid expansion of artificial intelligence (AI) across sectors brings significant benefits but also substantial risks, such as bias, discrimination, and lack of transparency. Mitigating these risks requires AI governance frameworks that ensure ethical and responsible use. While existing studies highlight strategies and ethical guidelines, comparative analyses of emerging responsible AI (RAI) frameworks, standards, and regulations remain limited. This study aims to fill this gap by employing a rapid review methodology to examine 17 responsible AI frameworks, standards, and regulations which we named as AI policies throughout this research, from diverse regions, including Singapore, the US, the UK, Canada, Hiroshima, and Australia, and global organizations including the Organization for Economic Co-operation and Development (OECD), and International Organization for Standardization (ISO). This research aimed to address four primary questions on identifying global and local AI policies, identifying and analyzing their key features, assessing implementation challenges, and determining the essential components for designing an integrated AI governance framework. There are eleven key features identified, including RAI Principles, Stakeholders, Stages (AI software development life cycle), Targeted audiences, Scalability, Enforce-ability, Resource Intensive, Region, Technology, AI governance practices (Prerequisites, outcomes, implementation tools or guides), and AI governance area. The comparative analysis highlighted that while the AI policies offer detailed implementation guidelines, they differ in their approaches, mandatory nature, scalability, and resource demands. These differences are critical for organizations seeking to implement these policies effectively. Challenges related to resource intensity, scalability, governance practices, and ambiguous targeted audiences were noted as significant barriers to successful adoption. Based on the analysis, key components for an RAI framework were proposed, and categorized into qualities (scalable, extensible, adaptive, efficient), dimensions (scope, context, implementation practices), and governance practices (prerequisites/outcomes, resources, governance steps). These components aim to guide organizations in developing AI governance frameworks.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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