Artificial Intelligence and Islamic Jurisprudence: A Critical Analysis of Legal and Ethical Challenges in Automated Decision-Making
Notice bibliographique
Résumé
This study critically reassesses Islamic economic law within the rapidly expanding digital economy, emphasizing the necessity of a globally coherent Sharia-compliant regulatory architecture. Using a qualitative library research method, the paper draws from classical jurisprudence, contemporary fintech literature, and international Sharia standards to examine the tensions emerging from technological innovations such as artificial intelligence, blockchain, digital assets, and Islamic fintech platforms. Findings reveal significant regulatory fragmentation across Muslim jurisdictions, inconsistencies in Sharia interpretation, and gaps in digital literacy, which collectively hinder harmonized governance. Moreover, emerging digital financial instruments raise pressing ethical concerns related to transparency, algorithmic bias, cybersecurity, and compliance with prohibitions against riba, gharar, and maysir. The study argues that Maqasid al-Shariah—particularly the principles of ḥifẓ al-māl, maslahah, and harm prevention—provides a holistic framework for balancing innovation with ethical integrity. It also identifies the urgent need for cross-border regulatory harmonization, AI ethics protocols, enhanced Sharia governance structures, and tailored regulatory sandboxes for Islamic fintech. Ultimately, the research offers a conceptual foundation for constructing a future-ready, inclusive, and ethically resilient global Islamic digital finance system.
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 | 0,054 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,119 |
| Communication savante | 0,019 | 0,020 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,010 |
| 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 ».