From algorithms to negotiations: Why health diplomacy must adapt
Notice bibliographique
Résumé
Health diplomacy traditionally relies on consensus-building across nations, yet the accelerating integration of artificial intelligence (AI) into health systems poses new governance challenges. Rapidly changing geopolitical conditions-exemplified by shifts in U.S. global health funding and the expansion of AI beyond national boundaries-underscore the urgency of rethinking traditional approaches. This paper, based on insights from the Prince Mahidol Award Conference 2025 side meeting on "Navigating the Future: AI & Global Health Diplomacy," examines how AI can reshape the practice of health diplomacy, both empowering and unsettling global health objectives. We first explore the promise of AI in enhancing disease surveillance, resource allocation, and progress toward universal health coverage. However, inadequate governance can exacerbate inequalities, particularly if AI remains in the hands of profit-focused enterprises or if digital divides persist. Health diplomacy, therefore, must expand its purview to include technical literacy, data ethics, and robust regulatory frameworks that safeguard equity and transparency in AI design and deployment. To illustrate these dynamics, we emphasise the interplay of social, political, commercial, and digital determinants of health, each feeding into AI-driven innovations. Strong diplomatic engagement is critical to ensuring that AI becomes a tool for mutual benefit rather than a catalyst for further fragmentation. Effective policies must integrate environmental sustainability considerations alongside cross-sector collaboration. We conclude that, although AI cannot replace the vital human element of negotiation and trust-building, it can substantially enhance global health outcomes when governed ethically and inclusively. The future of health diplomacy, shaped by AI, requires agile adaptation and unified strategies to preserve equity and planetary well-being.
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 | 0,053 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,042 |
| Communication savante | 0,012 | 0,023 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,004 |
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 ».