UMJETNA INTELIGENCIJA I RIZICI ZA POTROŠAČA: ODGOVORNOST ZA ZAVARAVAJUĆE INFORMIRANJE OD STRANE CHATBOTOVA
Bibliographic record
Abstract
Automatizirani softveri odnosno algoritmi umjetne inteligencije koriste se u različitim kontekstima i u različitim fazama odnosa između trgovaca i potrošača, a masovno su uključeni i u internetske transakcije. Praksa pokazuje da se mnogi trgovci na svojim internetskim stranicama služe automatiziranim softverima (tzv. botovima ili chatbotovima) za interakciju s potrošačima, od pružanja informacija i savjeta, preko prijedloga potrošačima, sve do sklapanja ugovora. Različiti načini korištenja automatiziranih softvera imaju različite posljedice i otvaraju mnoštvo pravnih pitanja. Jedno od njih jeste i pitanje tko odgovara za štetu koju potrošač pretrpi pouzdajući se u tačnost informacija koje mu algoritam pruži, a potom usljed njihove netačnosti pretrpi štetu. U slučaju Moffatt v. Air Canada, u kojem je u junu 2024. godine odlučio kanadski sud, potrošač kao kupac koji je putem internetske stranice avioprijevoznika Air Canada kupio avionske karte, o pogodnostima letenja za slučaj smrti bliskog člana obitelji pogrešno je informiran od strane chatbota. Prema informacijama koje je potrošač dobio od chatbota, zahtjev za povrat dijela plaćenih troškova moguće je postaviti retroaktivno, što je informacija koja ne odgovora informaciji koju je avioprijevoznik naveo u općim uvjetima poslovanja, prema kojima je zahtjev za povoljnijom cijenom avionskih karata neophodno postaviti unaprijed. Iako se avioprijevoznik nije smatrao odgovornim za netačno informiranje, postupajući je sud argumentirao u suprotnom smjeru i avioprijevoznika koji je koristio podršku chatbota našao odgovornim i obavezao na naknadu štete. Autorice se, imajući u vidu predmetno činjenično stanje, u radu bave davanjem odgovora na pitanje koja bi regulativa bila relevantna za rješavanje ovog spora u EU pravu i domaćem zakonodavstvu. Ključne riječi: umjetna inteligencija, chatbot, potrošač, zavaravajuća poslovna praksa, građanskopravna odgovornost
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.004 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.007 |
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".