Le recours à l'intelligence artificielle pour évaluer les préjudices:rapport belge
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
S’interroger sur les relations entre l’intelligence artificielle et la responsabilité civile relève presque de l’évidence. Il est vrai que l’intelligence artificielle conduira parfois à une diminution des risques. Il suffit de songer au robot chirurgien dont la précision des actes est sans égal ou encore au véhicule autonome bien plus fiable qu’un conducteur humain et donc potentiellement moins accidentogène, jusqu’à 80 % prédisent même certaines experts. Mais d’autres fois, elle pourra se révéler source de dommages dans des circonstances inédites, en particulier dans les hypothèses où cette technologie sera dotée de fonctions cognitives, et pourra pour cette raison s’adapter à son environnement, progresser, prendre des initiatives et à cette occasion provoquer des préjudices. Qui dans ce cas devra assumer la charge de la réparation ? L’ouvrage ici présenté entend faire le point sur les différentes interférences existantes entre la responsabilité civile et l’intelligence artificielle. Il est issu d’un séminaire du Groupe européen de recherche en droit de la responsabilité et des assurances (GRERCA) qui s’est tenu en octobre 2021 à l’Université de Lyon 3 et qui a été organisé par l’Équipe de recherche Louis Josserand avec le support de la Chaire-Miroir Lyon-Ottawa. Il propose de manière inédite, à notre connaissance, de comparer l’appréhension par les différents droits européens (allemand, anglais, belge, espagnol, français, Italien, roumain, suisse) des défis liés à l’intelligence artificielle dans le domaine de la responsabilité civile et de l’assurance avec parfois un regard nord-américain venant enrichir la réflexion. Des rapports de synthèse viennent coiffer les rapports nationaux sur les différentes thématiques abordées dans ce livre. Il s’adresse à tous les universitaires et praticiens intéressés et préoccupés par ces questions mais aussi aux « faiseurs » de textes nationaux et internationaux qui pourront y trouver des sources d’inspiration.
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.
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 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.008 | 0.011 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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 it