Accessibiliser l’éthique par le récit : la création de L’histoire de LINK
Bibliographic record
Abstract
Depuis sa parution, la Déclaration de Montréal pour un développement responsable de l’Intelligence Artificielle (DM) fait beaucoup parler d’elle et du processus de délibération qui la fit naître. Cette démarche a permis de stimuler l’engagement de citoyens concernés qui souhaitaient avoir leur mot à dire sur leur avenir – un avenir dans lequel l’intelligence artificielle (IA) aura une place de choix. En impliquant aussi des experts, des responsables publics, des représentants de l’écosystème IA, des organisations civiles et des ordres professionnels dans la démarche consultative, on pouvait compter sur une vaste présence de parties prenantes pour élaborer un document normatif qui serait pertinent pour tous. Cependant, peu importe la rigueur mise dans la création d’un cadre éthique, impossible d’échapper au défi de sa pérennisation et la diffusion à un public large pour qu’ils soient appropriés et mis en œuvre. Cet exercice est d’autant plus difficile si l’on n’est pas parvenu à y intéresser la société civile ou que le cadre leur est étranger ou incompréhensible. Comment faire connaitre et comprendre aux principaux concernés un document tel que la DM, qui traite d’éthique et d’IA, afin qu’il ait l’impact qu’on attend de lui à long terme? Pour ce faire, l’utilisation du récit narratif peut s’avérer un puissant outil de vulgarisation scientifique et d’accessibilité. Dans ce mémoire, qui se veut être un plaidoyer pour l’éthique accessible, rencontrez LINK, le protagoniste de L’Histoire de LINK. Cette histoire mettant en mot et en image les principes de la DM et les particularités de l’IA qu’elle cherche à tempérer. Apprenez comment cette histoire a été conçue et comment le récit narratif peut se mettre au service de la bioéthique afin de faire la promotion de ses outils et impliquer davantage une diversité de parties prenantes.
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 | 0.010 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.013 | 0.039 |
| Scholarly communication | 0.021 | 0.019 |
| Open science | 0.004 | 0.009 |
| Research integrity | 0.007 | 0.008 |
| Insufficient payload (model declined to judge) | 0.019 | 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".