Le recours à l'intelligence artificielle pour évaluer les préjudices:rapport belge
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
S’interroger sur les relations entre l’intelligence artificielle et la responsabilité civile relève presque de l’évidence. Il est vrai que l’intelligence artificielle conduira parfois à une diminution des risques. Il suffit de songer au robot chirurgien dont la précision des actes est sans égal ou encore au véhicule autonome bien plus fiable qu’un conducteur humain et donc potentiellement moins accidentogène, jusqu’à 80 % prédisent même certaines experts. Mais d’autres fois, elle pourra se révéler source de dommages dans des circonstances inédites, en particulier dans les hypothèses où cette technologie sera dotée de fonctions cognitives, et pourra pour cette raison s’adapter à son environnement, progresser, prendre des initiatives et à cette occasion provoquer des préjudices. Qui dans ce cas devra assumer la charge de la réparation ? L’ouvrage ici présenté entend faire le point sur les différentes interférences existantes entre la responsabilité civile et l’intelligence artificielle. Il est issu d’un séminaire du Groupe européen de recherche en droit de la responsabilité et des assurances (GRERCA) qui s’est tenu en octobre 2021 à l’Université de Lyon 3 et qui a été organisé par l’Équipe de recherche Louis Josserand avec le support de la Chaire-Miroir Lyon-Ottawa. Il propose de manière inédite, à notre connaissance, de comparer l’appréhension par les différents droits européens (allemand, anglais, belge, espagnol, français, Italien, roumain, suisse) des défis liés à l’intelligence artificielle dans le domaine de la responsabilité civile et de l’assurance avec parfois un regard nord-américain venant enrichir la réflexion. Des rapports de synthèse viennent coiffer les rapports nationaux sur les différentes thématiques abordées dans ce livre. Il s’adresse à tous les universitaires et praticiens intéressés et préoccupés par ces questions mais aussi aux « faiseurs » de textes nationaux et internationaux qui pourront y trouver des sources d’inspiration.
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.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 découle