AI for Sustainable Development in the Belt and Road Countries - Need for Capacity Building
Notice bibliographique
Résumé
All United Nations member countries are striving to achieve the Sustainable Development Goals (SDGs), with information and communication technologies (ICTs) playing a crucial role in accelerating the progress. However, there is a significant disparity in technological capacities between the least developed, developing, and developed nations. Leading countries maintain dominance in these technologies, creating a digital divide that redefines richness and poverty. The Belt and Road Initiative (BRI), launched by China in 2013, offers a beacon of hope for developing nations. Over the past decade, China has introduced the Global Development Initiative (GDI), Global Security Initiative (GSI), and Global Civilizations Initiative (GCI) under BRI, benefiting many developing countries. Despite these advancements, many BRI member countries lack the capacity to fully utilize these technologies and maintain the infrastructure so developed by China. There is an urgent need for education and capacity building to ensure these nations can leverage AI and ICTs for sustainable development. Artificial Intelligence (AI) is transforming education by offering personalized learning experiences, optimizing administrative processes, and facilitating data-driven decision-making. AI-powered educational tools can adapt to individual student needs, enhancing engagement and learning outcomes. However, transitioning from traditional to technology-driven education systems requires robust capacity-building efforts to equip educators and institutions with the necessary skills and knowledge. Collaboration between governments, academia, industry, and civil society is essential for driving innovation and integrating AI responsibly and inclusively in education. This paper highlights the need for capacity building, particularly for students at all educational levels, to prepare them for future challenges and to achieve the SDGs through AI and technology-driven education.
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 | 0,023 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,018 |
| Communication savante | 0,022 | 0,034 |
| Science ouverte | 0,004 | 0,023 |
| Intégrité de la recherche | 0,013 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,007 |
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 ».