Le droit à l'égalité canadien et québécois face à la discrimination algorithmique
Bibliographic record
Abstract
Les systèmes d’intelligence artificielle (SIA) sont de plus en plus utilisés dans divers domaines, tels que l’immigration, le recrutement en emploi ou encore la publicité ciblée sur les réseaux sociaux. Au cours des dernières années, les préoccupations relatives aux impacts sociaux et éthiques de ces systèmes ont pris de l’ampleur. Plusieurs exemples ont mis en lumière que, loin d’être des outils neutres, ces SIA reproduisent souvent des biais et logiques discriminatoires. Bien que des règles juridiques s’appliquant spécifiquement aux SIA peuvent être pertinentes, le droit au Québec et au Canada possède des protections contre la discrimination, principalement à travers le droit à l’égalité prévu à l’article 15(1) de la Charte canadienne et à l’article 10 de la Charte québécoise, qui sont applicables aux SIA. Cette recherche se propose d’explorer le phénomène de discrimination algorithmique à travers le prisme du droit à l’égalité canadien et québécois. Nous analyserons le cadre actuel du droit à l’égalité, en soulignant la conception de l’égalité réelle qui est au coeur de ces dispositions, et en abordant les critères actuels requis pour établir un cas de discrimination prima facie. Ensuite, à travers une revue de la littérature multidisciplinaire, nous examinerons la discrimination algorithmique et les causes de ce phénomène. Nous pourrons alors analyser si la conception du droit à l’égalité canadien et québécois est en mesure d’appréhender les caractéristiques propres des cas de discrimination algorithmique et si les critères actuels, ainsi que leur interprétation récente par les tribunaux, comporteraient des obstacles dans l’analyse de ces nouvelles formes de discrimination. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : discrimination algorithmique, intelligence artificielle, apprentissage automatique, droit à l'égalité, discrimination indirecte, biais algorithmiques, Charte canadienne, Charte québécoise
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".