L’intelligence artificielle : les différents chemins de la régulation
Bibliographic record
Abstract
N’est-il pas étonnant de voir les textes officiels et notamment ceux à valeurs coercitives utiliser aussi peu le terme « intelligence artificielle » ? Les différentes normes ont pendant longtemps laissé apparaître des notions connexes, mais périphériques : droit des robots, des algorithmes et des données personnelles. Le manque de consensus juridique, le peu d’intérêt pour le thème (souvent sujet aux fantasmes et à la science-fiction) et la faiblesse des approches multidisciplinaires ont notamment pu empêcher une qualification juridique optimale et ont accouché à bien des controverses doctrinales. Cela s’est notamment ressenti lors des débats autour de la personnalité juridique de l’intelligence artificielle ou des règles éthiques susceptible d’accompagner son développement.Néanmoins, un nouveau chemin de la construction du droit de l’intelligence artificielle est en train d’apparaître. Un chemin à deux entrées, deux gouvernances parallèles, l’une partant de la compréhension de la technique pour nourrir le droit, l’autre puisant au droit pour mesurer l’écart existant avec la technique. C’est cette double approche qui sera développée et éprouvée au travers de cet article. Cette démarche pragmatique s’appuie sur l’histoire du droit des sciences. Elle permet à la fois de mesurer le chemin qu’il reste au droit à parcourir afin de qualifier l’objet technique, tout en esquissant les premiers contours de son encadrement. Il nous faudra néanmoins nous demander si les deux chemins empruntés par cette nouvelle construction du droit peuvent concilier les notions de « droit dur » et « droit souple » tout en garantissant une forme de sécurité juridique.
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 | 0.013 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.038 |
| Scholarly communication | 0.021 | 0.019 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.007 | 0.009 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".