MétaCan
Menu
Retour à la cohorte
Enregistrement W7067564764

More Than ‘‘Responsible AI” Bridging Artificial Intelligence Systems (AIS) and AISystems Ethics into Practice

2024· article· en· W7067564764 sur OpenAlexaboutno aff

Notice bibliographique

RevueeYLS (Yale Law School) · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Bioinformatics, and Biomedical Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLifelong learningTransformative learningAccountabilityNormativeCorporate governanceInformation ethicsAgency (philosophy)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This article reflects on the question ‘‘how should we approach the ethics of AI and technology?” through the example of how the Canada Revenue Agency (CRA) is working within this space to develop its Artificial Intelligence Systems (AIS) Ethics Lifelong Learning and Professional Development Strategy. This strategy is connected, but also acts as a critical counterpoint, to approaches to AI governance and accountability that are reliant on a notion of ‘‘Responsible AI”. In these contexts, responsible AI is understood as the regulatory adoption of ‘‘rules” diffused through a normative structure of hierarchical authority within the organization or business. Rather, this article demonstrates how considerations for AISystems ethics should be necessarily diffused and distributed through many diverse types of structures and people, and how the CRA is doing this in practice. Professional development and lifelong learning approaches to ethics posit the learner themselves as central and accords that learner with both the responsibility and the possibility of transformative action through inclusive participation. The CRA’s AIS Ethics Lifelong Learning and Professional Development Strategy foregrounds an understanding of ethics, and AISystems ethics, as a balancing or redistribution of power relations with a view to how those systems are implicated within that context. In viewing AISystems ethics as implicated not in rules but in relations, we also are better positioned to develop impactful policy and programs to address how AISystems function as a disruptive force, technology, and set of practices (both negative and positive) for those who are disproportionately affected by the harmful aspects of new technologies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,159

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0110,102
Communication savante0,0180,016
Science ouverte0,0020,009
Intégrité de la recherche0,0090,015
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,343
Écart entre enseignants0,311 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeYLS (Yale Law School)Même sujetGenetics, Bioinformatics, and Biomedical ResearchTravaux en français237 207