Efficiency focused analytic review of NLP and Machine Learning Applications in Legal Reasoning and Ethical Business Decision-Making
Notice bibliographique
Résumé
While business leaders have increasingly sought to manage ethical compliance in their decision-making frameworks, their understanding of what responsible AI is and what should be prioritized remains fragmented. Within the broader objective of AI-driven models supporting legal professionals in their response to complex regulatory scenarios, we conducted a multi-method analysis for benchmarking best practices. We argue a key challenge with organizations’ efforts to manage machine-assisted decisions is that it is a contextually ambiguous concept for them. To bridge this gap, the present study evaluates the hierarchical criteria and performance attributes related to an efficiency-oriented framework, whereby both normative reasoning and computational accuracy are included. We interviewed legal analysts at multinational corporate governance units in Germany, Singapore, and Canada and identified systematic barriers to managing ethical dilemmas at different stages of automated decision processes. We were able to establish a balance between the need for transparency and the predictive performance by combining the output from three different models, each aiming at contextual relevance, in a hybrid AHP-TOPSIS structure. We also identified that inconsistencies between stakeholders’ intentions to align with ethical codes and what they identify in their machine learning outcomes, reveal important evaluative discrepancies that help to improve organizational understanding of AI-related obligations. The statistical analysis of the proposed decision support system provides a prioritization model of criteria from structured data that lies in cross-sectoral standards with an improved clarification of legal accountability. The procedure shows the great potential of natural language processing in combination with multi-criteria evaluation for informed reasoning even in an ambiguous legal setting.
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 | 0,053 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,023 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».