Procurement Circuit under Machine Learning Political Order: \nGovernance of, through, and for AI
Notice bibliographique
Résumé
In a landscape where governments are shaped by and depend on private AI providers, what does it mean to govern artificial intelligence (AI)? Public procurement is a point of intervention where the entrepreneurial pull of states to integrate digital expertise and reformulate its problem within machine-learning logics can be halted, questioned and examined. This thesis examines public procurement of AI as a crucial site where governments and AI providers engage in a complex co-shaping process, which I term the procurement circuit. Specifically, the thesis examines Canada’s procurement of AI as part of its national Responsible AI Strategy. \n \nThrough situational analysis, this thesis maps and explains how this co-shaping occurs and considers how the procurement circuit distributes authority and legitimacy over normative questions on AI between AI providers and government. I argue that Canada's regulatory architecture is built under what Louise Amoore coined Machine Learning (ML) political order. Chapter 3 maps the regulatory architecture Canada built to enforce Responsible AI and evaluate suppliers. Chapter 4 considers 11 suppliers’ responses to these requirements and outlines their normative views on both AI and its governance. In the conclusion, I suggest recommendations on how Canada might reformulate the procurement circuit as a space where legitimacy and authority is negotiated to resist ML political order.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,019 | 0,035 |
| Communication savante | 0,018 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».