Mémoire présenté dans le cadre de la Stratégie québécoise de recherche et d’innovation 2022
Bibliographic record
Abstract
En vue de l'élaboration de la Stratégie québécoise de la recherche et de l’innovation (SQRI) 2022, le Ministère de l'Économie et de l'Innovation a lancé une consultation avec la communauté scientifique, les organismes de recherche et d’innovation, les entreprises et regroupements d’entreprises, les organismes de développement socio-économique et les sociétés de financement de l’innovation afin d'identifier les meilleures pratiques, les solutions novatrices et les avenues les plus porteuses, pour favoriser la création de richesse au Québec à partir des activités de recherche et d’innovation. Dans le cadre de l'appel à mémoire, l'Observatoire international sur les impacts sociétaux de l'IA et du numérique (OBVIA) a produit et déposé un mémoire visant à démontrer que le Québec ne réussira à tirer pleinement profit des investissements massifs qu’il réalise pour acquérir et implanter de nouvelles technologies comme l’IA qu’à condition de porter une très forte attention aux enjeux sociaux, politiques, économiques et culturels soulevés par la montée de ces outils et s’il s’assure d’élaborer et de déployer des innovations non techniques, comme des innovations managériales ou sociales, pour accompagner les innovations techniques. Le mémoire présente aussi les actions de l’OBVIA pour produire de nouvelles connaissances interdisciplinaires sur les impacts sociétaux de l’IA et du numérique en soutien de l’écosystème québécois et propose sept recommandations d’interventions pour le gouvernement du Québec dans les prochaines années. Consulter l'appel de mémoires et les mémoires déposés Recommandations 1. Le gouvernement du Québec doit augmenter et pérenniser les investissements consentis aux structures de recherches intersectorielles et interdisciplinaires (sciences humaines et sociales, sciences de la nature et technologie, et santé), comme l’OBVIA, qui permettent de comprendre comment maximiser les impacts positifs du numérique et de l’IA pour nos sociétés, les organisations et les Québécois, et comment réduire voire éliminer les effets négatifs des technologies. 2. Le gouvernement du Québec doit soutenir les initiatives de recherche rapide et de veille scientifique et stratégique sur des enjeux à forts impacts sociétaux (par exemple la santé ou le changement climatique), ce qui permettra de prendre le pouls de la population et de mieux accompagner les décideurs. 3. Le gouvernement du Québec doit soutenir davantage la valorisation, l’utilisation et le transfert de connaissances de la recherche vers les décideurs publics pour renforcer l’élaboration de politiques publiques qui s’appuient sur les avancées scientifiques les plus récentes en matière d’IA et de numérique. 4. De manière à favoriser une meilleure inclusion sociale et à permettre à toute personne de jouer un rôle de citoyen actif et autonome au sein de la société, le gouvernement du Québec doit continuer de soutenir des projets d’amélioration de la littératie numérique des usagers, d’augmenter leur sens critique et d'accroître leur capacité à tirer le maximum des technologies de l’information. 5. Le gouvernement du Québec doit soutenir les initiatives favorisant la délibération citoyenne, lesquelles permettront de recueillir de l’information sur les obstacles à l’implantation de l’IA et du numérique, de réfléchir dans une dynamique de coconstruction aux solutions susceptibles de permettre la résolution des problèmes rencontrés et, ultimement, d’augmenter l’acceptabilité sociale. 6. Étant donné l’accélération de la présence du numérique et de l’IA dans toutes les sphères de la société, le gouvernement du Québec doit renouveler et amplifier son soutien à la formation interdisciplinaire de personnels hautement qualifiés et de la relève dans le domaine de l’étude des impacts sociétaux et éthiques de l’IA et du numérique. Entre autres, il doit soutenir la formation des concepteurs, techniciens et ingénieurs aux risques de biais et aux enjeux sociétaux dans le but de promouvoir les bonnes pratiques. 7. Le gouvernement du Québec doit investir dans les initiatives qui s'inscrivent dans la production de certifications qui promeuvent des critères éthiques et d’innovation responsable.
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 | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.009 | 0.005 |
| Scholarly communication | 0.012 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.034 | 0.004 |
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".