LLM-Based Analysis of the AI Incident Database: Insights for AI Governance
Notice bibliographique
Résumé
Artificial Intelligence (AI) is increasingly adopted in critical sectors such as healthcare, finance, and public administration, where it promises significant gains in efficiency, automation, and decision support. At the same time, these systems expose societies to serious risks, including bias, discrimination, safety failures, and privacy infringements. To document and learn from such failures, the Artificial Intelligence Incident Database (AIID) was created as a community-driven repository and collective memory of AI harms, designed to support research, best practices, and governance. As of 2025, the AIID contains more than 1,100 incidents, yet its unstructured, narrative reports make systematic analysis difficult and limit their policy value. This paper addresses that challenge by applying a Large Language Model (LLM) pipeline, guided by the OECD AI Incident Reporting Framework, to transform AIID reports into structured data and enable systematic analysis of recurring patterns in AI incidents. The analysis reveals a sharp rise in frequency and severity since 2020, with human and economic harms dominating, transparency and fairness most frequently violated, and ICT, finance, and public administration accounting for most cases. In terms of implications, the study provides insights to better inform AI governance. It also demonstrates how to use LLMs to transform unstructured dataset into structured data for 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 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 | 0,019 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».