L’intelligence artificielle dans la ville : Renforcer l’engagement civique et la confiance du public
Bibliographic record
Abstract
Après avoir navigué dans les contextes politiques et réglementaires difficiles de diverses régions au fil des ans, nous avons décidé d’unir nos forces. C’est ainsi que la création d’un espace pour l’engagement s’est imposée, avec un accent sur l’expertise, l’expérience et l’espoir de façonner l’avenir de la technologie dans les zones urbaines. Le projet AI in the City est apparu comme une occasion en or de réunir les personnes, les organisations et les ressources au sein même des réseaux que nous avons bâtis au cours de la dernière décennie de recherche et de défense des droits en matière de politiques technologiques. Les participant(e)s ont partagé des points de vue non occidentaux et occidentaux, en plus de remettre en question l’engagement civique significatif et son rôle dans la confiance du public, de le contester et d’imaginer comment ces deux aspects peuvent s’épanouir et persister alors que les données et l’IA deviennent de plus en plus omniprésentes dans nos vies. Nous avons rassemblé des universitaires, des activist(e)s et des praticien(ne)s multidisciplinaires qui travaillent sur un large éventail de projets dont l’objectif commun est de trouver des stratégies d’avenir. Divisée en cinq parties, la collection met en lumière : 1) La participation et l’engagement publics significatifs; 2) Le combat contre les inégalités et l’instauration de la confiance; 3) Les frontières publiques et privées dans la politique technologique; 4) les perspectives juridiques et les mécanismes de reddition de comptes; 5) les nouvelles orientations pour une gouvernance locale et urbaine. La priorité donnée à la société civile et au milieu universitaire était délibérée : nous voulions les écouter et apprendre de ces personnes qui ont consacré de nombreuses années à la défense de l’intérêt public, à la gouvernance et aux politiques qui représentent les intérêts de leur collectivité.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.021 | 0.014 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.004 | 0.003 |
| 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".