The role of artificial intelligence in cataloguing and analyzing indigenous knowledge in Nigeria
Notice bibliographique
Résumé
The preservation and utilization of indigenous knowledge (IK) are critical for sustainable development, cultural heritage conservation, and addressing contemporary challenges such as food security, healthcare, and environmental sustainability. In Nigeria, a nation with over 250 ethnic groups and a rich tapestry of indigenous traditions, the oral and localized nature of this knowledge poses significant challenges to its documentation and accessibility. This paper explores the transformative role of artificial intelligence (AI) in cataloguing and analyzing indigenous knowledge, focusing on Nigeria. AI technologies, including machine learning, natural language processing (NLP), and computer vision, offer innovative solutions for digitizing oral histories, analyzing traditional practices, and creating dynamic repositories of indigenous knowledge. These tools can process vast amounts of unstructured data, identify patterns, and generate insights that bridge the gap between traditional wisdom and modern scientific approaches. However, the integration of AI in this domain is not without challenges. Ethical considerations, such as data privacy, intellectual property rights, and community involvement, must be addressed to ensure the respectful and equitable use of indigenous knowledge. This paper highlights the potential of AI to preserve Nigeria’s indigenous knowledge while emphasizing the need for localized AI tools, capacity building, and interdisciplinary collaboration. By adopting community-centered approaches and ethical frameworks, Nigeria can harness AI to safeguard its cultural heritage and leverage Indigenous knowledge for sustainable development. The paper concludes with recommendations for policymakers, researchers, and stakeholders to ensure the responsible and effective use of AI in this context.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».