Vulnérabilité(s) : L’appréhension des défis du numérique par le droit – [version intégrale]
Bibliographic record
Abstract
Les avancees dans le domaine des technologies numeriques tendent a accentuer les vulnerabilites a plusieurs niveaux et a en creer de nouvelles. Par exemple, l’intelligence artificielle reproduit les biais humains et son utilisation est susceptible de renforcer les discriminations, les reseaux sociaux contribuent a la proliferation de la desinformation et a la creation de chambres d’echo qui enferment les citoyens dans des bulles informationnelles, ou encore l’exploitation des donnees massives presente des risques tant pour la vie privee des individus que pour le fonctionnement de la democratie. Ces differentes menaces placent nos societes, et notamment les populations les plus defavorisees, dans des situations de vulnerabilite accrue. Comment apprehender ces defis technologiques et societaux d’un point de vue juridique dans un tel contexte ? Le droit est-il l’outil approprie pour repondre a l’emergence et au developpement des vulnerabilites occasionnees par le numerique ? Enfin, quelle est la place du droit quand « le code fait loi »? Tels sont les questionnements auxquels les contributeurs de ce collectif ont tente de repondre avec des approches aussi bien ambitieuses qu'audacieuses.
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 | 0.003 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.012 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.038 | 0.008 |
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".