L’intelligence artificielle au Québec: « révolution » et ressources publiques
Bibliographic record
Abstract
Maxime Colleret et Yves GingrasDepuis le milieu de la décennie 2010, l'intelligence artificielle (IA) est sur toutes les lèvres : celles des politiciens, des universitaires, des entrepreneurs, des journalistes, des cinéastes et des enthousiastes de technologies.À l'échelle planétaire, des milliards de dollars sont investis par les États dans ce qui est présenté comme une « course contre la montre » visant à sécuriser un hypothétique « avantage […] face à la concurrence internationale » (COGIA, 2018, p. 12).Après d'autres technologies, l'IA profite d'un engouement aux accents hyperboliques, et les acteurs les plus stratégiques de ce domaine de recherche profitent de cette conjoncture pour tenter de convaincre les gouvernements d'investir massivement afin de ne pas rater cette quatrième, sinon cinquième « révolution industrielle ».Le Canada et le Québec n'échappent pas à ce mouvement.À lui seul, le gouvernement québécois a annoncé, dans son budget de l'année financière 2019-2020, des investissements de plus de 329 millions de dollars sur 5 ans pour appuyer le développement et l'adoption de l'IA dans divers secteurs industriels (Québec, 2019).Présentée comme la pièce maîtresse de la prochaine révolution industrielle, l'IA est actuellement portée par un enthousiasme caractéristique des promesses technologiques qui se succèdent
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.012 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".