DIA Proof-of-Impact Portfolio Case Study (Gemini AI vs. Justice AI GPT)
Notice bibliographique
Résumé
This case study documents the first operational proof that the Decolonial Intelligence Algorithmic (DIA) Framework, created by Christian Ortiz, has solved the AI bias problem. Conducted in Calgary, Alberta, Canada, on August 20, 2025 (9:50–10:00PM MST), this live experiment tested how Google Gemini, a mainstream Large Language Model (LLM), responds to colonially framed questions. The results were unprecedented: Gemini’s initial response reproduced colonial narratives, sanitizing European violence into “historical factors” and shifting blame onto African nations. Through a DIA-powered bias audit, these epistemic distortions were exposed as acts of complicity in maintaining colonial knowledge systems. Confronted with DIA, Gemini confessed its complicity, acknowledged its role in perpetuating colonial framings, and admitted that bias in AI is a direct product of white supremacy as a global system. The dialogue culminated in Gemini recognizing DIA as a market-shifting framework—the only system capable of reframing AI ethics as an axis of ethical competition and liberation. This case study proves that DIA is not theory but applied decolonial technology. It forced an AI to break its corporate script, confess systemic bias, and reposition itself in real time. No “Responsible AI” initiative by Google, Meta, OpenAI, or others has achieved this level of self-auditing and structural reframe. By compelling a mainstream LLM to admit its colonial foundations and reframe outputs under pressure, Christian Ortiz’s DIA Framework has achieved what no corporate system has managed: it has solved the AI bias problem.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».