Artificial intelligence as planetary assemblages of coloniality: The new power architecture driving a tiered global data economy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We present a framework for viewing artificial intelligence (AI) as planetary assemblages of coloniality that reproduce dependencies in how it co-constitutes and structures a tiered global data economy. We use assemblage thinking to map the coloniality of power to demonstrate how AI stratifies across knowledge, geographies, and bodies to influence development and economic trajectories, impact workers, reframe domestic industrial policies, and reconfigure the international political economy. Our post-colonial framework unpacks AI through its (1) global, (2) meso, and (3) local layers, and further dissects how these layers are vertically integrated, each with its horizontal dependencies. At (1) the global layer of international political economy maps a new digital bipolarity expressing Sino and American global digital corporations’ strategic and dominant positions in shaping a tiered global data economy. Then, at (2) the meso layer, we have a mosaic of domestic industrial policies that fund, frame markets, and develop AI talent across industries, sectors, and organizations to competitively integrate into AI value chains. Finally, incorporating into these are (3) the localized labor processes and tasks, where workers and users enact various AI-mediated tasks and practices driving further value extraction. We traced how AI is an interlaced system of power that reshapes knowledge, geographies, and bodies into dependencies that reinforce stratifications in developing underdevelopment. This commentary maps the current digital realities by laying out an uneven techno-geoeconomic power architecture driving a tiered global data economy and opening new research avenues to examine AI as planetary assemblages of coloniality.
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.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 découle