Reviewing algorithmic decision making in administrative law
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
L’intelligence artificielle est peut-etre le changement technologique le plus important depuis la popularisation de l’Internet dans les annees de declin du XXe siecle. L’intelligence artificielle promet d'affecter la plupart des secteurs de l'economie moderne, du camionnage et du transport aux soins medicaux et a la recherche. Notre systeme juridique a deja commence a envisager comment des systemes de prise de decision artificiellement intelligents sont susceptibles d'affecter l’equite des procedures et l'acces a la justice. Ces effets ont ete sous-evalues dans le domaine du droit administratif, dans lequel des systemes artificiellement intelligents pourraient etre utilises pour accelerer la prise de decision, assurer un traitement relativement egal de cas similaires et lutter contre la discrimination. Mais l’adoption de systemes artificiellement intelligents par les decideurs administratifs souleve egalement de graves questions. Cet essai se concentre sur une de ces questions : les decisions administratives prises par des systemes artificiellement intelligents sont-elles capables de repondre au devoir d'equite procedurale du aux sujets de ces decisions ? L’essai est divise en trois parties. Dans la premiere, j’expose brievement l’utilisation croissante des systemes artificiellement intelligents dans le contexte administratif. Nous etudierons principalement les algorithmes d'apprentissage machine en decrivant le defi technique d’inexplicabilite qu’ils posent. Dans la deuxieme section, j’expose le devoir des decideurs administratifs d'expliquer leur raisonnement dans certains contextes. Dans la troisieme section, je soutiens que les processus administratifs qui utilisent des systemes artificiellement intelligents compliqueront l’accomplissement efficace de cette tâche. Les personnes soumises a certains types de decisions administratives peuvent etre privees des motifs auxquels elles ont droit. Je soutiens que l’intelligence artificielle pourrait nous amener a repenser la justification des decisions en droit administratif.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 it