Crowdfunding et intelligence artificielle : étude critique du cadre juridique marocain
Bibliographic record
Abstract
Le système d’intelligence artificielle (IA) continue de faire la démonstration du progrès technologique et de son succès dans tous les domaines de vie. L’alignement des entreprises de l’IA sur les nouvelles exigences et sur les standards internationaux nécessite un budget respectable à la charge des dites Start-ups, c’est dans ce cadre qu’on peut relever le rôle du financement collaboratif comme moyen de financement alternatif dans la mise en place des infrastructures technologiques en termes de transparence et de sécurité, dont ont besoin les fournisseurs et les utilisateurs de l’IA. La méthodologie adoptée repose sur une analyse juridique du cadre législatif marocain du financement collaboratif, confrontée aux besoins spécifiques des entreprises de l’IA. L’étude examine les textes en vigueur, identifie les obstacles réglementaires et s’appuie sur une lecture critique des dispositifs de régulation existants. Elle intègre également une dimension prospective, en croisant les réalités du terrain avec les réformes récentes en matière de digitalisation, d’innovation financière et de transformation numérique de l’administration. Les résultats révèlent qu’il existe plusieurs limitations qui freinent l’essor effectif du crowdfunding au service de l’IA. L’étude recommande une harmonisation des textes, un renforcement des garanties juridiques, ainsi qu’un soutien institutionnel accru pour favoriser un écosystème plus propice à l’innovation par le financement participatif.
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 | 0.018 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.015 | 0.011 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".