L’exigence d’évaluation d’impact pour responsabiliser les entreprises face aux risques engendrés par l’intelligence artificielle
Bibliographic record
Abstract
La grande majorité des lois encadrant le développement ou le déploiement de systèmes d’intelligence artificielle (« IA ») à l’échelle mondiale impose aux acteurs privés de réaliser une forme d’évaluation d’impact. Ce type d’exigence vise à opérationnaliser un principe de responsabilité et plus précisément à instaurer une responsabilité ex ante destinée à prévenir les préjudices liés à l’IA, dans un contexte où la complexité et l’opacité de ces technologies entravent l’efficacité des mécanismes de responsabilité ex post. Lorsqu’on s’interroge sur la façon dont les exigences d’évaluation d’impact cherchent concrètement à responsabiliser les entreprises en amont, on constate qu’elles relèvent d’une approche de métarégulation : en incorporant ces exigences aux textes de loi, l’État mobilise les structures de régulation internes des entreprises afin que celles-ci gèrent par elles-mêmes les risques engendrés par l’IA. Les entreprises sont ainsi appelées à recueillir des données, à élaborer des normes, à modifier leurs pratiques – en somme, à réguler leurs propres activités – afin d’atténuer les effets indésirables que leurs projets relatifs à l’IA pourraient avoir sur la société, même lorsque ces effets demeurent incertains. Ainsi comprise, la démarche d’évaluation d’impact obligatoire contribue non seulement à une conduite dite responsable des entreprises, mais aussi à la conception d’une responsabilité juridique aux dimensions sociale et prospective.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.024 | 0.005 |
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; both teacher heads agree on what is shown here.
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".