Le dialogue inclusif sur l’éthique de l’IA : délibération en ligne citoyenne et internationale pour l’UNESCO
Bibliographic record
Abstract
Cet article rend compte de la manière dont les organisations internationales pourraient s’approprier la démarche délibérative à l’occasion de leurs efforts de régulation éthique de l’IA en présentant le projet de la délibération internationale intitulée « Dialogue inclusif sur l’éthique de l’intelligence artificielle (IA) » (ODAI) menée par Algora Lab - Université de Montréal et Mila - Institut québécois d’intelligence artificielle. Ce projet délibératif portait sur le premier instrument normatif mondial en éthique de l’IA rédigé par l’UNESCO. L’ODAI se démarque par sa portée internationale, le nombre de personnes consultées et sa réalisation en ligne. Après une présentation du cadre méthodologique et théorique de la délibération sur l’éthique de l’IA, nous opérons une analyse critique du processus et nous proposerons finalement des recommandations pratiques pour de futures délibérations en éthique de l’IA.
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 | 0.077 | 0.058 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.013 | 0.031 |
| Scholarly communication | 0.022 | 0.015 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".