Ethical Challenges in AI-Powered Supply Chains: A U.S.-Nigeria Policy Perspective
Notice bibliographique
Résumé
The incorporation of artificial intelligence (AI) into global supply chains is revolutionizing industries by increasing productivity, cutting costs, and improving decision-making. However, the adoption of AI in supply chains also presents significant ethical challenges, especially when comparing advanced economies like the United States and developing economies like Nigeria. This study examines the ethical issues that arise from AI-powered supply chains through a comparative policy lens, focusing on the U.S. and Nigeria. In the U.S., ethical concerns center on privacy, data security, algorithmic transparency, and the possibility of job displacement, while in Nigeria, additional challenges include infrastructure constraints, a lack of regulatory frameworks, and a digital divide that exacerbates the ethical implications of AI adoption in supply chains. This looks at how the policies of the two nations handle these problems, with the US highlighting the necessity of precise laws, moral standards, and corporate accountability in the application of AI. Nigeria's new AI laws, on the other hand, emphasize data governance, capacity building, and the development of an inclusive digital environment. The significance of customized policy solutions that take into account the distinct economic, social, and technical circumstances of each country is highlighted by examining these divergent approaches. The report also emphasizes the necessity of international collaboration in creating uniform ethical guidelines for artificial intelligence in global supply chains. The findings suggest that while AI holds the potential to revolutionize supply chains, it also necessitates careful policy planning and ethical oversight to ensure that its benefits are realized equitably and sustainably across different regions. Keywords: Ethical, Challenges, AI-powered, Supply chains, U.S, Nigeria, Policy perspective.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».