Accessibiliser l’éthique par le récit : la création de L’histoire de LINK
Notice bibliographique
Résumé
Depuis sa parution, la Déclaration de Montréal pour un développement responsable de l’Intelligence Artificielle (DM) fait beaucoup parler d’elle et du processus de délibération qui la fit naître. Cette démarche a permis de stimuler l’engagement de citoyens concernés qui souhaitaient avoir leur mot à dire sur leur avenir – un avenir dans lequel l’intelligence artificielle (IA) aura une place de choix. En impliquant aussi des experts, des responsables publics, des représentants de l’écosystème IA, des organisations civiles et des ordres professionnels dans la démarche consultative, on pouvait compter sur une vaste présence de parties prenantes pour élaborer un document normatif qui serait pertinent pour tous. Cependant, peu importe la rigueur mise dans la création d’un cadre éthique, impossible d’échapper au défi de sa pérennisation et la diffusion à un public large pour qu’ils soient appropriés et mis en œuvre. Cet exercice est d’autant plus difficile si l’on n’est pas parvenu à y intéresser la société civile ou que le cadre leur est étranger ou incompréhensible. Comment faire connaitre et comprendre aux principaux concernés un document tel que la DM, qui traite d’éthique et d’IA, afin qu’il ait l’impact qu’on attend de lui à long terme? Pour ce faire, l’utilisation du récit narratif peut s’avérer un puissant outil de vulgarisation scientifique et d’accessibilité. Dans ce mémoire, qui se veut être un plaidoyer pour l’éthique accessible, rencontrez LINK, le protagoniste de L’Histoire de LINK. Cette histoire mettant en mot et en image les principes de la DM et les particularités de l’IA qu’elle cherche à tempérer. Apprenez comment cette histoire a été conçue et comment le récit narratif peut se mettre au service de la bioéthique afin de faire la promotion de ses outils et impliquer davantage une diversité de parties prenantes.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,013 | 0,039 |
| Communication savante | 0,021 | 0,019 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».