Towards artificial intelligence assistants for the information ecosystem
Bibliographic record
Abstract
L'ère numérique et l'ère de l'Intelligence Artificielle (IA) générative ont eu un impact transformateur sur l'accès et la diffusion de l'information, souvent de manière positive. Cependant, ces développements risquent également de noyer le contenu fiable sous un déluge de fausses nouvelles et de désinformation. Cette thèse soutient que l'objectif d'intégrité de l'information doit dépasser une focalisation étroite sur l'exactitude et aborder les problèmes fondamentaux dans la manière dont nous construisons et évaluons les assistants d'information d'IA.Premièrement, ce travail remet en question les fondations fragiles d'une grande partie de la recherche existante portant sur la détection de la désinformation. Cette démarche repose sur une comparaison approfondie de systèmes complexes et spécialisés par domaine, mettant en évidence leur incapacité à surpasser systématiquement la performance de simples modèles de référence génériques. Nous poursuivons avec une évaluation critique à grande échelle des bases de données et des protocoles d'évaluation par domaine, mettant en lumière des failles systémiques telles que des corrélations fallacieuses, des cas ambigus et des mesures inadéquates, tous susceptibles de conduire à des conclusions trompeuses quant à l'efficacité des modèles.Deuxièmement, reconnaissant que des systèmes d'IA parfaitement infaillibles sont inatteignables, cette thèse se tourne vers la conception d'assistants utiles et dignes de confiance pour détecter la désinformation même lorsque ceux-ci sont potentiellement incorrects. Nous démontrons que les grands modèles de langage (LLMs) modernes offrent une généralisation supérieure. Nous développons et évaluons ensuite des méthodes pour une quantification productive de l'incertitude, qui permet à un modèle de reconnaître les limites de ses connaissances, et concevons un cadre de génération augmentée par la récupération (RAG) pour fonder ses jugements sur des preuves externes et vérifiables provenant du web. Enfin, ces principes sont intégrés dans Veracity, un système de vérification des faits par l'IA entièrement fonctionnel et \textit{open-source} qui sert à la fois de preuve de concept et de plateforme pour des recherches futures.Collectivement, ces contributions tracent une feuille de route, de la critique à la construction et à l'application, pour développer des outils d'IA faillibles mais fiables, capables d'aider les utilisateurs à naviguer de manière éclairée dans un écosystème d'information complexe et souvent trompeur
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.004 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".