The future of artificial intelligence: Insights from recent Delphi studies
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 review thirteen Delphi studies on the future of Artificial Intelligence (AI), published between 2014 and 2024. Using the Delphi method, an iterative approach that refines expert insights through multiple rounds, these studies provide foresight into AI’s technological advancements, societal impacts, and policy implications across various sectors. For example, Delphi studies in healthcare foresee significant advancements in AI-driven diagnostics and personalized medicine, while in manufacturing, AI is anticipated to enhance human-robot collaboration and supply chain optimization. AI’s impact on journalism and photography shows promise in automating processes and enriching immersive storytelling, although issues like data privacy and algorithmic bias are raised. This review emphasizes a primary focus on technology trajectories, examining anticipated developments and timelines, while also considering broader strategic foresight aspects. General challenges identified include equitable access, the need for robust data governance, and workforce upskilling to integrate AI responsibly. By synthesizing insights across these studies, we provide a structured overview of both opportunities and limitations in AI development, offering guidance for stakeholders to navigate AI's complexities and capitalize on its potential responsibly. In addition, we propose methodological recommendations, such as standardizing expert selection and diversifying perspectives to improve the quality of future Delphi studies. • Reviews recent Delphi studies on the future of AI. • Explores AI's impact in healthcare, manufacturing, photography and journalism. • Identifies key ethical, societal, and economic challenges in AI integration. • Recommends methodological improvements for future Delphi studies on AI. • Emphasizes the importance of AI regulation and interdisciplinary collaboration.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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