The Environmental Impacts of AI and Digital Technologies
Notice bibliographique
Résumé
This study aims to investigate the environmental impacts of AI and digital technologies, identify potential mitigation strategies, and assess the role of policy, regulation, and public awareness in fostering sustainable practices within this domain. Employing a qualitative research methodology, this study collected data through semi-structured interviews with 27 professionals across the technology sector, environmental research, policy-making, and academia. Thematic analysis was used to analyze the interview transcripts, allowing for the identification of main themes and categories related to the environmental impacts of AI and digital technologies and the exploration of potential mitigation strategies. Five main themes emerged from the analysis: Direct Environmental Impact, Mitigation Strategies, Technological Innovations, Policy and Regulation, and Public Awareness and Engagement. Each theme encompasses various categories and concepts, such as Energy Consumption, E-Waste, Renewable Energy Adoption, Sustainable Design, Energy-Efficient Hardware, Legislation and Standards, Educational Campaigns, and Digital Literacy. The findings highlight the complex and multifaceted nature of AI and digital technologies' environmental impacts, along with the crucial role of innovative mitigation strategies and comprehensive policy frameworks in addressing these challenges. The study concludes that while AI and digital technologies offer tremendous potential for advancing sustainable development, their deployment must be carefully managed to minimize negative environmental impacts. It underscores the importance of integrating sustainability considerations into the development and deployment of these technologies, alongside fostering robust policy and regulatory frameworks and enhancing public awareness and engagement to achieve a sustainable digital future.
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 | 0,000 | 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 | 0,000 | 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 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 ».