Bibliographic record
Abstract
L’intelligence artificielle comprend des technologies multiples, nees dans la seconde moitie du XXeme siecle, qui se fondent sur la mise en place d’algorithme. La question de l’IA dans le debat public a debute en janvier 2015 avec la signature par plus de 700 chercheurs et entrepreneurs d’une lettre ouverte afin d’alerter sur les dangers potentiels de ces technologies. La lettre est notamment signee par le directeur de la recherche de Microsoft Eric Horvitz, le directeur de l'IA chez Facebook Yann LeCun, plusieurs responsables de l'IA chez Google (dont l'ingenieur francais Laurent Orseau), le fondateur de Tesla et SpaceX Elon Musk, ou encore par Stephen Hawking.Dans le secteur de la sante, les systemes d’aide a la decision sont des technologies de sante (logiciels) qui par un apprentissage via des jeux de donnees elaborent des algorithmes. En 2016, a Toronto, Geoffrey Hinto, pionniers dans le secteur de l’IA dans le domaine de l’imagerie medicale affirmait que « d’ici cinq ans, le deep learning (« apprentissage profond ») fera mieux qu’un radiologue » et Alain Livartowski, oncologue et directeur des donnees de l’Institut Curie a Paris soulignait que les outils avec de l’IA vont changer la medecine de demain « mais ne remplaceront jamais la decision du medecin ». Ces technologies doivent apporter une aide a la decision a des fins diagnostics ou therapeutiques pour une decision finale laissee au jugement humain du medecin. Ces technologies de sante, par leur nature et leur fin medicale rentrent sous une reglementation europeenne creee a la fin des annees 90. La reglementation europeenne a donne un cadre juridique permettant aux autorites de sante et aux industriels la mise sur le marche de ces produits. Cette mise sur le marche en Europe est liee au respect des exigences essentielles materialise par le « Marquage CE ». Par la suite, l’acces au remboursement se traduit par une evaluation non obligatoire et dependante des systemes de sante nationaux par des agences de Health Technology assessment (HTA). L’emergence de ces produits souleve plusieurs questions : Le cadre reglementaire est-il clairement defini ? Quel niveau de preuve clinique attend-on de ces derniers ? Quel sont les difficultes rencontrees par les instances publiques/privees dans la mise en oeuvre des nouvelles exigences requises?
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 | 0.008 | 0.030 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.013 | 0.018 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
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".