Explaining the unexplainable: medical decision-making, AI, and a right to explanation
Bibliographic record
Abstract
Les décisions importantes en médecine sont de plus en plus déléguées aux machines. Des modèles d’apprentissage machine automatisés, dont beaucoup sont considérés comme au moins aussi fiables et précis que les décideurs humains, sont utilisés pour prendre des décisions en matière de diagnostic, de traitement et de répartition des soins. Bien que ces systèmes soient susceptibles d’améliorer la qualité des résultats en matière de santé et de contribuer à des modèles plus efficaces de prestation de soins, ils posent également un problème d'explication. Les décisions prises par les modèles d'apprentissage automatique ne sont souvent pas accompagnées d'explications: il est souvent techniquement impossible de savoir pourquoi un système d'apprentissage automatique parvient à une décision plutôt qu'à une autre. Cela soulève des questions juridiques et éthiques difficiles sur la responsabilité, l’égalité et les principes fondamentaux du droit procédural. Cette thèse explore la mesure dans laquelle la prise de décision inexplicable interfère avec nos façons conventionnelles de comprendre la pratique et la réglementation de la médecine. Je suggère, en utilisant la faute médicale comme modèle, que les défis posés par l’apprentissage automatique inexplicable sont susceptibles d’être profonds. Je décris comment, face à l’apprentissage automatique inexplicable, plusieurs juridictions ont promulgué des ‘droits à l’explication,’ notamment le Québec et l’Union européenne. Mais il est peu probable que ces droits statutaires émergents répondent de manière adéquate aux implications de justice générées par l’apprentissage automatique inexplicable en médecine. En fait, les droits à l’explication sont susceptibles d’aggraver la situation
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 | 0.018 | 0.050 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.031 |
| Scholarly communication | 0.009 | 0.014 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.008 |
| Insufficient payload (model declined to judge) | 0.008 | 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 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".