Canada's national artificial intelligence governance system: Dataset from interviews with 20 government leaders & subject matter experts
Notice bibliographique
Résumé
Anonymized aggregate data from interviews with 20 government leaders and subject matter experts. The data was collected as part of a study of Canada's national system of artificial intelligence governance. The data was collected from February 2023 to July 2023. The dataset contains 610 topics that emerged from thematic analysis of interview transcripts from July 2023 to October 2023. The contexts, actors, resources, networks, evaluations, logics, functional bounds, rules, ecosystem-level dynamics, opportunities for improvement, and other topics contained in the dataset collectively represent the most significant components of Canada's national AI governance system that emerged over the course of the interviews with the 20 participants. Topics in analytical dimensions 1, 3, and 6-11 contain counts of the frequency with which aggregate topics emerged across each of the interviews with the 20 participants. Topics in analytical dimensions 2, 4, and 5 contain categories instead of frequency counts: the topics in these dimensions represent every unique actor, resource, and network that emerged over the course of the interviews instead of aggregate topics. Column titles contain the following abbreviations: LEAD: Interviews with leaders of public sector AI governance initiatives. SME-PS: Interviews with subject matter experts employed in the private sector. SME-CS: Interviews with subject matter experts employed in the academic or civil sectors.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,018 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,012 |
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 ».