The impact of artificial intelligence on the strategic planning of economic development of countries
Notice bibliographique
Résumé
Traditional economic planning frameworks struggle to address rapid market changes and nonlinear sectoral interactions, often resulting in suboptimal policy outcomes. This study systematically analyzes how artificial intelligence (AI) transforms strategic economic development across ten countries (the UK, Japan, the USA, China, Ukraine, France, Canada, Singapore, Germany, and South Korea) from 2015 to 2024. Using a mixed-methods approach – integrating panel data regression (fixed-effects and 2SLS models) with a PRISMA-guided review of 89 studies – the research quantifies AI’s macroeconomic impacts and ethical risks. Key findings reveal that a 1-unit increase in AI adoption intensity correlates with a 0.38–0.41% GDP growth rise, driven by predictive analytics in advanced economies like the USA and Singapore. However, infrastructural gaps in Ukraine caused 31% data loss in AI models, hindering policy scalability. Ethical challenges include algorithmic bias in France’s hiring systems (13% minority recruitment disparity) and data privacy breaches in Singapore (19% corporate breach rate). For Ukraine, targeted recommendations include prioritizing AI-ready digital infrastructure (e.g., centralized data hubs) and adopting EU-style ethical audits to mitigate bias in public-sector algorithms. Policymakers globally must balance AI-driven efficiency with equitable governance to harness its full potential.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».