Robotics: Enabler and inhibitor of the Sustainable Development Goals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Robotics has the power to help our society in managing many current and foreseeable challenges, and contribute to a responsible future, as formally structured in the United Nations Sustainable Development Goals (SDGs) initiative. Prior work has already investigated the impact of Artificial Intelligence (AI) on the SDGs, using a systematic consensus-based expert elicitation process. However, the existing literature has not focused on the intricacies of robotics and the unique dynamics this domain has regarding the SDGs. In this vein, this work adapts an established approach, to focus on and dive deeper, into the field of robotics and social responsibility. We present a multidisciplinary analysis of both the enabling and disabling roles of robotics, in achieving the SDG-presented, major economic, social and environmental priorities. The United Nation's 17 SDG and the 169 Targets, were individually examined within the context of state-of-the-art robotics already documented in scientific literature. The significance and the quality-of-evidence of enabling/inhibiting impacts, were assessed by an international panel of experts, to quantify the positive or negative effect of the applied robotic systems. Results from this study indicate that robotics has the potential to enable 46 % of the Targets, particularly for the industry and environment-related SDGs, forecasting a huge impact on our production systems and thus on our entire society. Inversely, robotics could inhibit 19 % of the SDG Targets, mainly through exacerbation of inequalities and tensions in the SDGs. The objective of this paper is to assess and grade the current impact of the robotics megatrend on the SDGs, provide comparable data, and encourage the robotics community, to work on these targets, in a unified way and eventually improve the quality of the related outcomes.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle