Ethical Principles for the Development of Artificial Intelligence and its Application in Health Care Systems
Notice bibliographique
Résumé
Four fundamental principles and ten ethical principles are proposed for artificial intelligence systems (AIS) in general and their application in public health. The Montreal Declaration for the Responsible Development of Artificial Intelligence (2018) on which this proposal is based is presented and commented on, as well as the UNESCO Recommendation on the Ethics of Artificial Intelligence (2022). The COVID-19 pandemic has shown the need to build a global health care system, as well as a coordinated response to the coming pandemics. The ethical principles applied to AIS can serve to reduce disparity and failures of health systems. The integration of AIS in health in different regions of the world would enable a more efficient global action, but if it is carried out from the framework of the (bio)ethical principles that are raised here: responsibility, precaution, autonomy and justice, as well as the principle of preservation of human decisions. AI can help progressively to implement a global health care system with universal and remote coverage that responds to one of the most important demands for global justice: the human right to health care.
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 | 0,105 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,070 |
| Communication savante | 0,020 | 0,008 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,021 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».