Une lecture technoprogressiste de la Déclaration de Montréal sur l’IA : quels enjeux pour l’éthique de demain
Bibliographic record
Abstract
Le 28 novembre 2018, à l’initiative de l’Université de Montréal a été publié l’un des tout premiers textes normatifs à caractère national, après la conférence internationale d’Asilomar (2017) sur l’IA. Intitulé Déclaration de Montréal pour une IA éthiquement responsable , ce texte normatif se positionne dans la géopolitique mondiale de l’IA comme une approche visant à faire de l’IA un instrument de progrès et d’inclusion au travers d’algorithmes humainement pensés et éthiquement implémentés. Élaborée à partir d’une méthodologie originale appelée « co-construction citoyenne », la Déclaration de Montréal repose sur 10 principes éthiques normatifs, dont le but est d’encadrer le développement et le déploiement de l’IA. Pourtant, en analysant non seulement les enjeux géopolitiques de l’IA, ainsi que sa structuration éthique autour des concepts tels que « humanisme numérique » et « agentivité humaine », il se pose deux constats majeurs : Une absence de consensus réel sur une approche fondamentale, qui devrait guider le développement et le déploiement de l’IA et surtout, une perspective techno-progressiste de la Déclaration de Montréal articulant une vocation techno-optimiste de l’IA. Cet état de choses démontre d’une part, la complexité du positionnement de la Déclaration de Montréal pour une IA éthiquement responsable dans le défi d’une régulation internationale ; et d’autre part, le challenge d’un compromis éthique rigoureux entre le développement de l’IA et la permanence d’une agentivité humaine. Car le techno-optimisme de la Déclaration de Montréal face à l’IA, entraîne avec lui le risque accru d’une autonomisation des systèmes d’intelligence artificielle, mettant finalement en avant la question d’une perspective transhumaniste du développement 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 | 0.010 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.010 | 0.018 |
| Scholarly communication | 0.016 | 0.007 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.044 | 0.009 |
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".