Community Driven AI Ethics Frameworks for Sustainable Development in Africa
Notice bibliographique
Résumé
This paper develops a community driven ethical framework for artificial intelligence (AI) that aligns with sustainabledevelopment in Africa. It begins by analysing global AI ethics declarations, such as the Montréal Declaration forResponsible AI, which calls for inclusive deliberation and ecological sustainability, and the Toronto Declaration, whichcentres human rights law, equality and non discrimination. It also examines African instruments like the African Declarationon Internet Rights and Freedoms, which warns that policy processes often exclude civil society and emphasises the needfor accessible, affordable and open digital ecosystems, and Agenda 2063’s aspirations for inclusive growth, goodgovernance and a people driven future. A mixed methods approach combines normative analysis of these documents withparticipatory fieldwork in Nigerian communities and case studies of AI applications in health and agriculture. Findingsreveal a convergence on principles of human rights, fairness, inclusivity, transparency, accountability and ecologicalstewardship, while community participants stress concerns about data exploitation, algorithmic bias, privacy, equitablebenefits and preservation of cultural values. Ubuntu/Botho philosophy, which defines being human through recognizingothers’ humanity and emphasises interdependence, compassion and reciprocity, emerged as a resonant ethical lens. Theresulting framework integrates human rights based standards, African development visions and Ubuntu ethics. It proposesparticipatory governance, community data stewardship, ethical impact assessments and capacity building initiatives toensure that AI deployment in Africa supports inclusive, sustainable development while safeguarding rights and culturalvalues.
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 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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».