Artificial intelligence and ESG in resources-intensive industries: Reviewing the use of AI in fisheries, mining, plastics, and forestry
Notice bibliographique
Résumé
• The implementation of artificial intelligence systems to ensure supply chain sustainability is increasing in numerous industries. • AI is mobilized to address specific sustainability issues in the fisheries, mining, plastics, and forestry industries. • AI has the potential to address identified issues but generally risks increasing consumption patterns of these industries, thus leading to unsustainable growth. • On one hand, AI has the ability to sift through extensive datasets and offer pragmatic insights to navigate the complex landscape of ESG. On the other, its mobilization can exacerbate inequalities and give rise to novel risks. • Finally, we also recognize AI’s environmental impacts with high energy and water consumption. An important application of artificial intelligence (AI) is to facilitate the implementation of Environmental, Social, and Governance (ESG) across complex and multi-tiered value chains. Solving the challenges faced by (un)sustainable practices in global industries has become a priority for corporate actors, states, and civil society, legitimized by both ethical and legal arguments. In fisheries, mining, plastics, and forestry, despite its potential to improve ESG practices, AI technologies also risk furthering consumption practices, thus negatively affecting socio-economic and environmental sustainability. We highlight the potential for direct positive impacts of AI on each of the environmental, social, and governance mechanisms throughout the four industries. However, we also point to the risks that indirect impacts of AI-powered tools entail on ESG practices and the potential for industries to disconnect themselves from these indirect impacts. Finally, we suggest that the widespread use of AI to optimize consumption processes, without questioning overconsumption patterns, risks creating unsustainable practices at the global level.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».