Vers une régulation néodarwinienne de l’Intelligence artificielle centrée sur le concept de l’« Ethics by Evolution »
Bibliographic record
Abstract
Un climat de tension entremêlant engouement et inquiétude s’est installé envers le numérique et les développements de l’Intelligence artificielle (IA). Face aux enjeux grandissants qui entourent l’IA, une vision éthique et écoresponsable apparaît nécessaire afin de retrouver de la cohérence, du sens, et de la confiance dans l’approche de cette nouvelle technologie évolutive. La mise en place d’un système de normes éthiques illustré par des chartes et référentiels éthiques n’est pas simple à mettre en place, et suscite quelques questionnements et défis à relever en termes de planification, de temporalité et d’application concrète. Il apparaît alors essentiel d’instaurer une régulation éthique néodarwinienne systémique qui s’appuie sur des recommandations pragmatiques, en identifiant et en faisant évoluer des critères d’évaluation éthiques au fur et à mesure de l’apprentissage et de l’évolution de la machine, de ses algorithmes ou de ses autres paramètres fonctionnels, selon son environnement et ses usages : c’est ce que nous conceptualisons ici comme de l’« Ethics by Evolution ».
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 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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, 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".