AI ethics in a research context: current approaches and future challenges
Notice bibliographique
Résumé
The rise of artificial intelligence (AI) as a research tool has significant implications for research ethics boards. Some institutions may transfer broad AI review responsibilities on to REBs, while other REBs may consider AI tools only within specific proposals for research involving human participants. Both scenarios will present challenging questions requiring REB members to apply core understandings of how AI works and how to apply principles of ethical AI in the field of the research project. Facilitated by some of Canada’s leading experts in AI ethics, this workshop will provide participants with a solid grounding in the nature of AI tools and advances in AI ethics as well as examples of AI ethics challenges to date. Participants will then leverage this information in smaller-group discussions on how AI principles can apply to REB assessments in specific research disciplines (e.g. medicine, social science, etc.). Topics of discussion will include: choosing amongst the various existing ethical AI frameworks (e.g. the Montreal Declaration in Canada, the Berkman-Klein Principled AI Framework in the USA, and the Digital Catapult Ethical Framework in the UK), reconciling inconsistencies between different frameworks, addressing the underlying tension between individual ethical principles (e.g. participant privacy versus data transparency), and how AI-specific guidance is situated within the broader landscape of research ethics and existing regulatory frameworks.
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 | 0,287 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,023 | 0,104 |
| Communication savante | 0,061 | 0,064 |
| Science ouverte | 0,012 | 0,029 |
| Intégrité de la recherche | 0,035 | 0,044 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,005 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».