Artificial intelligence and the politics of avoidance in global health
Notice bibliographique
Résumé
For decades, global health actors have centered technology in their interventions. Today, artificial intelligence (AI) is emerging as the latest technology-based solution in global health. Yet, AI, like other technological interventions, is not a comprehensive solution to the fundamental determinants of global health inequities. This article gathers and critically appraises grey and peer-reviewed literature on AI in global health to explore the question: What is avoided when global health prioritizes technological solutions to problems with deep-seated political, economic, and commercial determinants? Our literature search and selection yielded 34 documents, which we analyzed to develop seven areas where AI both continues and disrupts past legacies of technological interventions in global health, with significant implications for health equity and human rights. By focusing on the power dynamics that underpin AI's expansion in global health, we situate it as the latest in a long line of technological interventions that avoids addressing the fundamental determinants of health inequities, albeit at times differently than its technology-based predecessors. We call this phenomenon the ‘politics of avoidance.’ We conclude with reflections on how the literature we reviewed engages with and recognizes the politics of avoidance and with suggestions for future research, practice, and advocacy. • AI engages in ‘politics of avoidance’ by avoiding root causes of health inequities. • AI continues and disrupts global health legacies of technological intervention. • AI debates often focus on downstream, rather than upstream, determinants of health. • Research and practice should protect health equity and rights in the context of AI.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».