ARTIFICIAL INTELLIGENCE IN THE NEXUS OF LAW: REVIEW OF EXISTING LEGAL FRAMEWORK ACROSS THE GLOBE AND CHALLENGES
Notice bibliographique
Résumé
AbstractArtificial Intelligence (AI) is the latest innovation in the field of the science and technology; the frontiers of its application in various sectors are still in nascent stage and are expanding. AI means development of computer systems that are able to perform tasks normally requiring human intelligence. The rise of AI is both obvious and inevitable. The one thing is certain that AI is going to be part of our daily life sooner than we can imagine and in many sectors it has already become inseparable part of our daily transactions. It is well accepted that technology can become boon or curse depending on how it is handled. States and innovators are conscious and aware of the potential misuse of AI Technology. So, there is a consensus prevailing amongst the stakeholders about the necessity of regulating AI Technology in order to prevent its misuse. Misuse of AI Technology breaches various human rights. Leading countries across the world like USA, UK, Canada, France, Australia, Russia, and China have either made legislative framework to regulate AI Technology or are in the process of making it. The Government of India is also keeping close eye on the developments happening in the field of AI Technology. The objectives of this research paper is to highlight the potential threats and benefits of the AI Technology, to make comparative analysis of various legislative framework regulating AI Technology across the globe, what India should take into account while framing laws regarding regulation of AI Technology. The research paper is based on doctrinal research method which has used secondary data available at various science and technology websites, books and legal departments of various governments.Keywords: Artificial Intelligence (AI), Misuse of AI Technology, Human rights, Legislative framework, Comparative analysis.
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 | 0,004 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».