AI-Driven continuous compliance and threat intelligence model for adaptive GRC in complex digital ecosystems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid evolution of digital ecosystems—characterized by multi-cloud infrastructures, IoT proliferation, and distributed data flows—has fundamentally altered the governance, risk, and compliance (GRC) landscape. Traditional GRC frameworks, rooted in periodic audits and reactive controls, are increasingly inadequate for addressing the scale, speed, and sophistication of modern cyber threats. This review paper examines the emergence of AI-driven continuous compliance and threat intelligence models as adaptive solutions for managing GRC in complex digital environments. It synthesizes existing literature on regulatory mapping, continuous auditing, and real-time threat intelligence integration, while identifying key limitations of siloed, manual approaches. The study highlights how artificial intelligence and machine learning can enable proactive risk identification, predictive analytics, and automated remediation, transforming GRC into a continuous and intelligent function. Furthermore, the paper explores technical methodologies such as natural language processing for regulatory interpretation, anomaly detection algorithms for compliance monitoring, and predictive modeling for risk forecasting. By analyzing current advancements, challenges, and research gaps, this review proposes a conceptual framework that positions AI as a catalyst for adaptive, resilient, and future-ready GRC architectures. The findings underscore the critical need for intelligent, real-time governance models to ensure organizational sustainability in the face of regulatory volatility and cyber risk escalation. Keywords: Continuous Compliance, Threat Intelligence, Adaptive GRC, Artificial Intelligence in Governance, Predictive Risk Analysis, Automated Remediation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle