THE ROLE OF ARTIFICIAL INTELLIGENCE (AI) IN CONSUMER PROTECTION ACT IN PRESENT PROSPECTIVE
Notice bibliographique
Résumé
Artificial intelligence is revolutionizing our daily lives in health care, shopping, and travel, but it is as we become increasingly aware also introducing serious risks for consumers. In this AI driven and rapid growth of technology there is a necessity to protect consumers in India. Today this study aims at drawing ideas that how AI can help in better governance to protect the consumer-based economy. Not only this most transaction is taking place on digital platform, but judicial procedure also seeing rapid changing in AI, there is need of an urgent law to protect Indian consumers. It presents detailed ideas for how AI should be governed in the consumer sector. It recommends creating a special law about AI, setting clear policies, procedures and rights, supported by a risk-based grouping method much like the one in the EU AI Act. The Consumer Protection Act,2019 could be improved to address AI- based products and services, paying attention to product liability and unfair trade practices, It is recommended that a government agency oversee AI rules, monitor use and assure transparency, together with making it mandatory for algorithms used in consumer services to be accountable. Building institutional capacity would involve giving AI training to consumer court staff and the regulatory personnel involved. Arranging public awareness campaigns will help people know their rights concerning AI. At the same time, organizations should be motivated to create ethical AI, but with strict monitoring from authorities.in this regard it is suggested that Canada works together with OECD, WTO and the UN to follow global best practices. Regular assessments are required to maintain regulations that are appropriate and focus on consumers.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».