Écosystème de gouvernance et technologie : une source d’innovation ou de confusion ?
Bibliographic record
Abstract
Les innovations technologiques se complexifient et deviennent un facteur d’influence majeur du développement des sociétés. Pourtant, peu de processus de régulations réussissent à les baliser causant, entre autres, des enjeux sociaux, éthiques, économiques, politiques et environnementaux. Cet article se penche sur l’usage de la métaphore des écosystèmes appliquée à la gouvernance de l’intelligence artificielle (IA). L’IA apparaît désormais dans un vaste paysage numérique organisé à l’interface du « techno » et du « social » décuplant les possibilités médiatiques et l’accès à des ressources expertes. Certains proposent le modèle des écosystèmes pour ouvrir cette « boîte noire » du technosocial demeurant compliqué à réguler. Par une revue critique des écrits en éthique de l’IA, nous argumentons l’impératif et l’urgence d’un partage des responsabilités systémique entre les institutions imputables en IA. Plusieurs théories sociales permettent de concevoir par collectif le partage des responsabilités par groupes, par communautés, voire par « écosystèmes ». Le but est de mieux comprendre et, espérons-le, d’aider à mieux gérer cette dynamique complexe liant le techno au social.
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 | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.037 |
| Scholarly communication | 0.023 | 0.024 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 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".