The State of AI Ethics Report (Volume 7) - AI at the Crossroads: A Practitioner's Guide To Community-Centered Solutions
Notice bibliographique
Résumé
This is not another framework or productivity analysis. SAIER Volume 7 is a snapshot from our vantage point, bringing together practitioners, researchers, advocates, and communities grappling with AI's realities on the ground. It captures perspectives from Canada, the US, Europe, Asia, and Africa, though we recognize many voices remain absent. We hope it generates more questions than it answers and encourages people from all walks of life to ask hard questions and be critical. It also reflects our entrepreneurial roots at the Montreal AI Ethics Institute (MAIEI), less interested in abstract principles and more focused on what's actually happening in the field. What does implementation look like? What's working? What's failing? Where are the gaps between policy rhetoric and lived experience? We ground our work in understanding AI as sociotechnical systems. This means recognizing the technical components (software, hardware, data centres, chips), the social dimensions (people, culture, values, organizations), and the environmental impacts. Ignoring these interconnected realities reduces AI governance to compliance checklists when the real challenges are about trust, power, and lived impacts. We're also humble enough to know we're not capturing everything. Regions remain underrepresented. This isn’t the definitive state of AI ethics. It’s a state of AI ethics, from where we sit, in 2025. AI ethics, fundamentally, is a process and not a destination. This volume is our contribution to this ongoing conversation.
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 | 0,043 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,018 | 0,013 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,009 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,051 |
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 ».