Key points are not available for this paper at this time.
A inteligência artificial (IA) generativa tem o potencial de tanto exacerbar quanto amenizar as desigualdades socioeconômicas existentes. Neste artigo, fornecemos uma visão interdisciplinar atualizada dos impactos potenciais da IA generativa sobre (des)informação e três domínios intensivos em informação: trabalho, educação e saúde. Nosso objetivo é destacar como a IA generativa pode agravar as desigualdades existentes, ao mesmo tempo em que esclarece como a IA pode ajudar a mitigar problemas sociais persistentes. No domínio da informação, a IA generativa pode democratizar a criação e o acesso ao conteúdo, mas pode expandir dramaticamente a produção e a proliferação de desinformação. No local de trabalho, pode aumentar a produtividade e criar novos empregos, mas os benefícios provavelmente serão distribuídos de forma desigual. Na educação, oferece aprendizado personalizado, mas pode ampliar a divisão digital. Na saúde, pode melhorar diagnósticos e acessibilidade, mas pode aprofundar desigualdades pré-existentes. Em cada seção, abordamos um tópico específico, avaliamos pesquisas existentes, identificamos lacunas críticas e recomendamos direções para pesquisas, incluindo trade-offs explícitos que complicam a formulação de hipóteses a priori. Concluímos com uma seção destacando o papel da formulação de políticas para maximizar o potencial da IA generativa para reduzir desigualdades enquanto mitiga seus efeitos nocivos. Discutimos forças e fraquezas dos frameworks políticos existentes na União Europeia, Estados Unidos e Reino Unido, observando que cada um falha em confrontar plenamente os desafios socioeconômicos identificados. Propomos várias políticas concretas que poderiam promover prosperidade compartilhada por meio do avanço da IA generativa. Este artigo enfatiza a necessidade de colaborações interdisciplinares para compreender e enfrentar os desafios complexos da IA generativa.
Building similarity graph...
Analyzing shared references across papers
Loading...
Valerio Capraro
Austin Lentsch
Daron Acemoğlu
PNAS Nexus
Massachusetts Institute of Technology
University of Pennsylvania
University of Cambridge
Building similarity graph...
Analyzing shared references across papers
Loading...
Capraro et al. (Sex,) estudaram esta questão.
www.synapsesocial.com/papers/68e67617b6db6435875fff35 — DOI: https://doi.org/10.1093/pnasnexus/pgae191
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: