mise en œuvre de l’IA dans les organisations est-elle compatible avec une société éthique?
Bibliographic record
Abstract
Cet article expose les compétences essentielles à la gestion de l’intelligence artificielle (IA) dans les organisations en mettant l’accent sur la dimension éthique, mais sans négliger les enjeux d’un point de vue managérial, technique, humain, inclusif et responsable. En effet, dans le contexte de changement associé à la transformation numérique, les organisations qui se numérisent, en intégrant l’IA, ont besoin d’identifier les enjeux éthiques et les compétences requises associées pour gérer des projets d’IA. Les enjeux liés au développement et à la gestion des projets d’IA sont complexes et différents de ceux liés à la gestion traditionnelle des projets informatiques. Cette complexité soulève des questions éthiques, juridiques et de responsabilité sociale (du point de vue de l’équité, de la diversité et de l’inclusion) en matière d’IA; celles-ci auront des implications sur les compétences attendues des gestionnaires de projets d’IA à l’avenir. Notre recherche visait à identifier ces enjeux et à les décrire en matière de compétences, ce que nous avons fait au moyen d’entrevues et de groupes de discussion avec des experts de la communauté de l’IA, dans le contexte plus large d’une recherche sur la gestion de l’IA. Cet article porte surtout sur les enjeux éthiques dégagés de notre revue des écrits et des rencontres avec des experts de l’IA et leur résonance dans l’écosystème d’IA québécois; nous nous concentrons donc ici sur les questions d’éthique, de transformation du marché du travail, de gouvernance et de responsabilité sociale.
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 | 0.019 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.021 |
| Scholarly communication | 0.018 | 0.014 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".