A Method to Test the Ethics of Some AI Classifiers - The Example of School Dropouts Problem
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
If an AI artifact is an emulation of human behavior in relation to the performance of some activity and if the human being, in carrying out that activity, is required to respect a behavioral framework defined by laws, rules, regulations, procedures, best practices, etc., then the AI that emulates that human behavior is also required to respect the same behavioral framework. The idea of ethics tests is developed on this principle and, precisely on the basis of this principle, a pragmatic methodology can be developed that can test the correspondence in the observance of the artefact to the behavioral framework within which it will necessarily be placed in its operation. The approach proposed in this work allows us to offer an extremely pragmatic solution to the search for an ?ethical behavior? for AI artifacts, bypassing the difficult applicability of the complex and abstract legislation currently in force on this topic. In order to explain the applicability of this methodology to a concrete problem, this work considers the problem of school dropout as an example and describes the construction of two classifiers, one based on a neural network and one on a decision tree, able to predict the phenomenon. The application of the methodology clearly shows how the explainability offered by a symbolic system, such as a decision tree, is not applicable as an element of explainability in the behavior of a neural classifier. Keywords: Ethics Tests, Explainability, Classifications System, Bias, Categorical Polarization
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 | 0,027 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle