Conceptualizing ethical AI-enabled marketing: Current state and agenda for future research
Notice bibliographique
Résumé
This paper addresses the conceptual exploration of various issues that form an integral part of the ethical dimensions surrounding the use of artificial intelligence (AI) in the field of marketing. We critically review some of the main ethical challenges AI poses to humanity: privacy, data security, bias, transparency, and accountability. Therefore, we will discuss the delicate balance between exploiting the transformation potential of AI for personally designed marketing strategies and ethical imperatives to safeguard the rights of consumers to retain trust. Then, the present regulatory landscape responding to these ethical challenges will be assessed by building on effective regulation, like the GDPR, existing proposed legislative frameworks, and industry guidelines. To underscore the role of an ongoing dialogue between marketers, technologists, ethicists, and regulators for developing a responsible AI ecosystem in marketing. Further, strategic recommendations for implementing company-based ethical AI marketing practices. The further strong guidelines provide enhancement transparency to consumers and investment in research to remove biases from algorithms. It also underscores principal scopes of further research and development, focusing on the need for new-age solutions to guide the ethical quagmires that AI-led marketing throws up. We suggest that integration should be done proactively and collaboratively. Thus, if attention is paid more to ethics and multidisciplinary dialogue, only such hyperbolic promises can be realized by AI-driven marketing. There are promises through which AI-driven marketing will meet business goals and be huge at societies' values.
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 | 0,028 | 0,004 |
| 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 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».