Un an après l’arrivée de ChatGPT: réflexions de l’Obvia sur les enjeux et pistes d’action possibles face à l’IA générative
Bibliographic record
Abstract
Depuis l’automne 2022, avec l’arrivée abrupte de ChatGPT, la version gratuite du modèle de langage de l’entreprise OpenAI, les expérimentations à grande échelle du déploiement de ce système d’intelligence artificielle ont suscité un tsunami de réactions dont on perçoit les conséquences autant dans nos vies personnelles que professionnelles. En raison de l’ampleur des implications de cet événement, qui symbolise un changement hautement disruptif pour nos sociétés, il s’avérait incontournable qu’un groupe de chercheuses et de cherecheurs de l’Obvia s’y penche afin de contribuer à la réflexion sur le sujet et dégager des pistes d’action. Le but du présent document vise par conséquent à apporter des éléments de réflexion sur les différents enjeux que soulève l’émergence soudaine de ces technologies au potentiel révolutionnaire. Le présent document vise plus spécifiquement: • à situer dans son contexte le développement des applications d’IA générative; • à identifier ce qui nous semble être les principaux enjeux transversaux soulevés par l’arrivée de ces technologies dans nos vies et nos sociétés; • à esquisser quelques pistes d’action pour tenter de composer adéquatement avec ces enjeux. Ce document a été rédigé par une équipe multidisciplinaire de chercheuses et de chercheurs membres de l’Obvia. En effet, pour mener une réflexion sur une situation aussi large et complexe, il nous semblait essentiel de réunir des expertes et experts de plusieurs domaines, notamment en éthique appliquée, en neuropsychologie, en droit, en bioéthique et en philosophie. Les différentes thématiques qui émergent de cette réflexion ont été organisées comme suit, mais elles peuvent être découvertes dans l’ordre ou dans le désordre, selon les intérêts de la lectrice ou du lecteur.
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 | 0.007 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".