Legal Challenges of Using AI and Big Data in Public Administration: Administrative Liability, Data Protection, and Public Services Efficiency
Notice bibliographique
Résumé
This study investigates the evolving legal challenges posed by the integration of artificial intelligence and big data in public administration.Through a mixed-method approach, combining doctrinal legal analysis, case study review, and empirical dataset evaluation, it examines how current laws respond to emerging risks in administrative liability, data protection, and service automation.A novel Legal Risk Index (LRI) was developed to quantify regulatory sensitivity across jurisdictions and application domains, revealing that systems in welfare fraud detection and biometric surveillance face the highest legal scrutiny, with LRI scores reaching critical thresholds in over 70% of examined cases.The study analyzed a dataset of 140+ public sector AI deployments across Europe, offering a concrete empirical base.The paper compares AI governance strategies in the EU, UK, US, and MENA, highlighting disparities in oversight, enforcement, and public accountability.The findings show that legal maturity, not just technological advancement, is key to responsible deployment.Major contributions include the introduction of a cross-jurisdictional legal risk framework, evidencebased policy recommendations, and a structured model for liability allocation in AI-driven decisions.This research offers practical insights for regulators and public institutions seeking to balance innovation with rights-based governance.
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 | 0,086 | 0,225 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,021 | 0,021 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».