Automating the Achievement of SDGs: Robotics Enabling & Inhibiting the Accomplishment of the SDGs
Notice bibliographique
Résumé
The role of robotics is rapidly growing in importance in the particular non-industrial application domains, affecting society, economy and the environment. Robot systems are typically developed to address a specific technical, service-type or economical need, but often their broader impact is insufficiently investigated, if at all. For robots to play a beneficial role at society-level in the future, it is important to identify the mainstream directions in the field that enable the UN Sustainable Development Goals (SDGs), and encourage their development. Similarly, it is required to understand the negative impacts some applications can have on the achievement of the SDGs, and to ensure societies have the ability to prevent or mitigate them. Inspired by an exploration of the role of artificial intelligence in achieving the SDGs, this paper presents a preliminary version of a consensus-based expert elicitation process on the role of robots - as enabler or inhibitor - for a more sustainable future. For every SDG, the authors were able to identify potential positive and negative impacts of robotics. It remains difficult, though, to sketch a simple and comprehensive overview of the different ways in which robotic applications can unfold (direct or indirect) impact. Existing projects and studies are not intuitively comparable because they take many different directions and are not at the same level of abstraction, technological readiness, or implementation. Derived from the findings, recommendations on future policy developments are considered.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».