Artificial Intelligence and the Law: New Challenges and Possibilities for Fundamental Human Rights and Security - Roundtable
Notice bibliographique
Résumé
Dean Trevor Farrow, Osgoode Hall Law School\nGlenn Stuart, Law Society of Ontario\nAmy Salyzyn, University of Ottawa\nPatricia McMahon, Osgoode Hall Law School\nRichard Haigh and Stephen Fulford, Osgoode Hall Law School\nGiuseppina (Pina) D’Agostino, Osgoode Hall Law School\nMolly Reynolds, Torys\nArtificial Intelligence (AI) is dramatically reshaping how people live, work, and interact, as well as the functioning of societies and legal systems’ adaptations to these changes. Machine learning technologies’ integration into various decision-making processes carries profound implications for sentencing, taxation, workplace dynamics, surveillance and policing, privacy, and financial markets. The rising automation of human activities prompts significant legal inquiries spanning constitutional, contractual, and tort issues. Large Language Models (LLMs) such as Chat GPT are AI technologies with a range of legal, ethical, and societal implications. These models, trained on massive volumes of text data, can generate text resembling human language, enabling tasks like answering questions, writing essays, even crafting poetry. They implicate freedom of expression, the right to information, and the democratic process at large. They have the potential to generate misleading, harmful, or hateful content, regardless of their programmers’ and owners’ intentions. They could become tools for propaganda or disinformation campaigns. They raise intellectual property questions, particularly when their output is based on pre-existing intellectual or artistic works and could lead to mass job automation.
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 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 | 0,001 | 0,000 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».