MétaCan
Menu
Retour à la cohorte
Enregistrement W4388916887 · doi:10.21003/ea.v202-01

State data security backed by Artificial Intelligence and Zero Knowledge Proofs in the context of sanctions and economic pressure

2023· article· en· W4388916887 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueEconomic Annals-ХХI · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSecurity, Politics, and Digital Transformation
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésTransparency (behavior)Context (archaeology)Computer securityState (computer science)SanctionsAccountabilityMultitudeComputer scienceEngineering ethicsArtificial intelligencePolitical scienceLawEngineering

Résumé

récupéré en direct d'OpenAlex

This research paper aims to elucidate the intricate relationship between artificial intelligence (AI), state data security, and the volatile circumstances induced by sanctions and economic pressure. By undertaking a comprehensive literature review, the study not only offers a historical context of state data security mechanisms but also delves deeply into the advancements provided by AI-driven solutions. The work serves as a crucial reference for policymakers, cybersecurity experts, and academic researchers, laying a foundation for the nuanced understanding of AI’s capabilities and limitations within the realms of state data security and economic stressors. Employing an analytical framework, the paper systematically distills knowledge from a wide array of sources, including academic articles, technical reports, policy briefs, and international standards. This multidimensional analysis allows for a holistic understanding of the state-of-the-art AI technologies, their applicability in fortifying state data security, and the ethical labyrinth that states must navigate. Paper underscores a multitude of challenges and ethical considerations that are often overshadowed by the technological prowess of AI. These encompass issues such as data privacy infringement, potential for mass surveillance, and ethical quandaries around bias and discrimination. The paper also throws light on the pivotal factors of accountability and transparency, essential for maintaining public trust in AI-augmented state security mechanisms. The study raises awareness about AI-driven cyber threats, focusing on the paradox of employing AI to enhance security while also becoming susceptible to advanced AI-driven cyberattacks. Paper addresses the long-term sustainability and resilience of AI-enabled security measures, particularly in the context of evolving cyber threats and the inherent instability brought about by economic pressures and sanctions. The resilience of AI algorithms and systems under these specific conditions is scrutinized, offering a forward-looking perspective on the adaptability and robustness of AI technologies in safeguarding state data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,383
Score d'incertitude au seuil0,975

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,145
Tête enseignante GPT0,372
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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