AI-Powered Digital Identity Systems and the New Digital Divide: The Case of World
Notice bibliographique
Résumé
Artificial intelligence (AI) continues to feature prominently in global discourses on sustainable development as a potential solution to long-standing social and economic issues across the global South. In recent years, there has been increased interest by public and private actors to develop and deploy AI-powered digital solutions positioned to help close the digital divide—a phenomenon that has been traditionally framed as the gap between the connected and unconnected. Framed against a backdrop of “tech for good,” developments in AI and other emerging technologies have led to new challenges, including algorithmic awareness, a new dimension of the digital divide that attends to data and data-related inequalities. This colloquium paper uses World, a digital identity project co-founded by American tech company Open AI that combines AI, biometrics and blockchain-based technologies, as a case study to explore the ethical implications of private sector-led digital initiatives in the global South. Despite claims that digital identity projects help promote social and economic inclusion, we show that projects such as World can intensity existing inequalities through data extraction methods. We argue that the company's activities in countries such as Kenya are possible because of the digital divide and gaps in regulatory frameworks on AI in the global South.
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 | 0,013 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,028 | 0,061 |
| Communication savante | 0,019 | 0,028 |
| Science ouverte | 0,001 | 0,015 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».