Hacking AI Governance: Exploring the Democratic Potential of Canada's Algorithmic Impact Assessment
Notice bibliographique
Résumé
Amid growing concern over the adoption of artificial intelligence systems, algorithmic impact assessments (AIAs) have increasingly been proposed as a means of measuring and mitigating the impacts of AI. Proposed AIA methods vary significantly in their approaches, but even within this heterogeneous group, the AIA tool released by the Government of Canada in 2019 stands out. This AIA tool—an open-source, online questionnaire platform—represents one of the first-ever attempts at putting principles of “responsible AI” into practice. In this research-creation thesis, I explore Canada’s AIA tool as a media object, looking at the online questionnaire as a strategic opportunity to intervene in the growing debates about AI governance. Building on methods in critical making and civic hacking, this project includes the creation of both a critical guide to the AIA tool (aia.guide) and a series of “AIA hackathon” workshops designed to explore the tool’s use by the Government of Canada and its potential in the broader AI governance context. Informed by a deep ambivalence over the technology (Bucher 2019), I argue that the AIA tool is largely performative but also represents an important site for tactical intervention. In particular, I argue that collaborative processes of questionnaire design may prove to be effective methods for participatory and community-based AI 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 | 0,021 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,021 | 0,021 |
| Communication savante | 0,017 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».