Bibliographic record
Abstract
L’industrie de l’IA n’est pas, contre toute attente, hostile à la régulation politique. Au contraire, elle est très proactive dans le champ de la régulation. Tout un battage médiatique sur les risques civilisationnels relatifs à l’IA sert à pousser les États à s’engager au plus vite à produire des cadres réglementaires afin, dit-on, de garantir que le développement de l’IA se poursuive en évitant les écueils et au bénéfice des sociétés. Ce discours constitue un cas de « capture réglementaire », c’est-à-dire que l’industrie trouve les moyens d’occuper elle-même le champ de la production normative et de définir le contenu des balises qui lui seront appliquées. De plus, les discours sur la production d’une IA sécuritaire et responsable servent à engendrer et à maintenir la confiance des investisseurs et des populations, permettant la poursuite du développement de l’IA. Or, les sociétés ne devraient pas être dupes du discours valorisant l’IA responsable. Ce discours fait écran au développement d’une critique fondamentale et globale de la société-système capitaliste et cybernétique. Il évite aussi de discuter comment les collectivités pourront retrouver la capacité de poser de véritables limites politiques susceptibles d’assurer la suite du monde plutôt que de laisser, en amont, les systèmes et les organisations capitalistes façonner le réel.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.031 |
| Scholarly communication | 0.014 | 0.010 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.015 | 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; 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".