Bibliographic record
Abstract
Depuis l’avènement de l’intelligence artificielle, plusieurs domaines de recherche, dont l’informatique affective (affective computing), se sont intéressés à implanter celle-ci dans différentes sphères de la société. L’informatique affective se penche surtout sur les interactions sociales entre les humains et l’intelligence artificielle. Avec les nombreux projets d’insertion de cette nouveauté dans notre vie, une meilleure compréhension des interactions humaines qui vont en découler est donc d’autant plus importante. Par le biais de ce domaine de recherche, l’empathie semble jouer un rôle de première instance dans l’intégration de l’intelligence artificielle à notre quotidien. Étant l’une des habiletés essentielles chez l’humain, elle contribue à nos interactions et sert de base à la différenciation avec les interactions animales. L’empathie artificielle est donc l’application de certaines caractéristiques de l’empathie à une intelligence artificielle, mais plus particulièrement à des robots, soit une entité physique, ou à un système d’avatar. La présence physique de l’empathie (par le biais d’un robot) s’avère primordiale à l’insertion de l’intelligence artificielle dans nos vies courantes, puisqu’elle a une incidence sur l’établissement d’une relation empathique. La présence de capacités mnésiques est également essentielle au développement de relations à long terme. Un robot universel signifie une application de l’empathie qui permet d’éviter l’impression d’interactions inauthentiques, mais surtout un robot pouvant s’appliquer, s’adapter et pouvant interagir avec l’ensemble de la société. Cette recension des écrits sert à éclairer les lecteurs sur l’état actuel et sur l’avenir de l’informatique affective. Ultimement, l’objectif est d’implanter la capacité holistique de l’empathie pour satisfaire les nombreuses clientèles spécifiques comme les TSA, les personnes âgées ou les enfants, ainsi que l’unicité de chaque individu représentant la race humaine.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".