Sustainability and AI: Prioritizing Environmental Considerations in Tech Advancements
Notice bibliographique
Résumé
New advancements in artificial intelligence (AI) have positioned this transformative technology at the forefront of innovation, offering unprecedented opportunities to address some of the most pressing challenges of our time. Among these challenges, sustainability stands out as a critical area where AI can make a significant and meaningful impact. The literature emphasizes the imperative for a holistic approach to sustainable AI that encompasses environmental, social, and economic dimensions. This comprehensive perspective is crucial for maximizing the potential benefits of AI while minimizing any adverse impacts on the planet and society. Building public trust in AI through transparent, responsible practices is paramount for ensuring the long-term sustainability and ethical deployment of AI technologies. As we stand at the confluence of technological innovation and environmental stewardship, it is incumbent upon researchers, policymakers, and industry leaders to embrace the principles of sustainable AI. By doing so, we can harness the power of AI to not only drive economic growth and technological advancement but also to safeguard our planet for future generations. The time to act is now, and the path forward requires a concerted effort to integrate sustainability at the core of AI development and application. Through such endeavors, we can achieve a future where technology and nature coexist in harmony, paving the way for a sustainable, inclusive, and prosperous world for all.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,019 |
| Communication savante | 0,022 | 0,020 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».