L’exigence d’évaluation d’impact pour responsabiliser les entreprises face aux risques engendrés par l’intelligence artificielle
Notice bibliographique
Résumé
La grande majorité des lois encadrant le développement ou le déploiement de systèmes d’intelligence artificielle (« IA ») à l’échelle mondiale impose aux acteurs privés de réaliser une forme d’évaluation d’impact. Ce type d’exigence vise à opérationnaliser un principe de responsabilité et plus précisément à instaurer une responsabilité ex ante destinée à prévenir les préjudices liés à l’IA, dans un contexte où la complexité et l’opacité de ces technologies entravent l’efficacité des mécanismes de responsabilité ex post. Lorsqu’on s’interroge sur la façon dont les exigences d’évaluation d’impact cherchent concrètement à responsabiliser les entreprises en amont, on constate qu’elles relèvent d’une approche de métarégulation : en incorporant ces exigences aux textes de loi, l’État mobilise les structures de régulation internes des entreprises afin que celles-ci gèrent par elles-mêmes les risques engendrés par l’IA. Les entreprises sont ainsi appelées à recueillir des données, à élaborer des normes, à modifier leurs pratiques – en somme, à réguler leurs propres activités – afin d’atténuer les effets indésirables que leurs projets relatifs à l’IA pourraient avoir sur la société, même lorsque ces effets demeurent incertains. Ainsi comprise, la démarche d’évaluation d’impact obligatoire contribue non seulement à une conduite dite responsable des entreprises, mais aussi à la conception d’une responsabilité juridique aux dimensions sociale et prospective.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».