EDIA et systèmes d’intelligence artificielle au Canada : libres propos sur l’élaboration d’une future législation fédérale
Notice bibliographique
Résumé
Les systèmes d’intelligence artificielle (SIA) sont en plein essor. Si leur utilisation procure des avantages indéniables, elle expose également à des risques. Dans le domaine du travail et de l’emploi, les SIA pourraient, entre autres, amplifier les biais, source de discrimination à l’endroit des groupes déjà marginalisés. Pour limiter ces risques, encadrer juridiquement les SIA est aujourd’hui une nécessité. Or, au Canada, le texte contenant la Loi sur l’intelligence artificielle et les données (LIAD) censée le faire est depuis mort au feuilleton . S’appuyant sur une démarche comparatiste, l’étude entend, premièrement, montrer que le dispositif juridique actuel du Canada est insuffisant pour contrer adéquatement les discriminations algorithmiques. L’article fait état, deuxièmement, d’éléments à prendre en compte lors de l’élaboration d’une nouvelle loi fédérale sur les SIA.
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 | 0,012 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,015 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 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 ».