Mapitio haya ya kimfumo hayachunguzi kama akili bandia inaweza “kutatua” umaskini moja kwa moja, bali yanachunguza jukumu lake katika jinsi programu za kupambana na umaskini zinavyolengwa, jinsi rasilimali zinavyogawanywa, jinsi huduma zinavyofikishwa, jinsi programu zinavyofuatiliwa na jinsi maamuzi ya kialgorithimu yanavyosimamiwa. Watafiti walichunguza kipindi cha 2015–2025 kupitia Scopus, Web of Science Core Collection na Directory of Open Access Journals (DOAJ); kati ya rekodi 387 za awali, tafiti 48 zilijumuishwa katika usanisi wa mwisho baada ya uchujaji na tathmini ya ubora iliyotegemea PRISMA 2020.

Katika fasihi iliyochunguzwa, akili bandia inaonekana hasa katika utabiri wa umaskini unaochanganya picha za satelaiti, data za kijiografia, rekodi za kiutawala na alama za kidijitali; ulengaji wa programu za ulinzi wa kijamii; ujumuishaji wa kifedha; kilimo na njia za maisha za vijijini; afya, elimu na huduma za msingi. Ujifunzaji wa mashine na mbinu nyingine za AI zinaweza kutumia mikondo ya data inayoweza kusasishwa mara kwa mara sambamba na data ambazo kijadi hukusanywa kwa nadra au kwa kuchelewa, na hivyo kuchangia tathmini ya kina zaidi ya viashiria vya umaskini na uendeshaji otomatiki wa michakato ya kiutawala.

Hata hivyo, utafiti hauchukulii akili bandia moja kwa moja kuwa teknolojia inayowanufaisha maskini au isiyoegemea upande wowote. Seti za data zisizokamilika na zenye upendeleo, ukosefu wa usawa katika ufikiaji wa kidijitali, miundombinu isiyotosha, uwezo dhaifu wa udhibiti, matatizo ya faragha, ufuatiliaji, ubaguzi wa kialgorithimu na kufanya maamuzi yasiyoweza kupingwa vinaweza kuimarisha ukosefu wa usawa wa kijamii uliopo. Ujumbe mkuu wa mapitio haya ni kwamba thamani ya akili bandia katika utawala wa umaskini haitegemei usahihi wa modeli pekee; pia inategemea utawala wa data, uwezo wa kitaasisi, ulinganifu na muktadha wa eneo, uwazi, usimamizi wa binadamu na ushiriki wa jamii zinazoathiriwa.

Utafiti una upeo wa kimataifa na hautoi tathmini maalumu kwa Türkiye. Ili kutoa hitimisho la moja kwa moja la sera kwa Türkiye, uwakilishi wa data zitakazotumika, ufikiaji wa kidijitali, uwezo wa kitaasisi, muundo wa michakato ya msaada wa kijamii na utoaji huduma, usimamizi wa binadamu na taratibu za kupinga maamuzi ya kiotomatiki lazima zitathminiwe tofauti kwa kutumia data za ndani.

“Utawala wa umaskini” si sawa na “kupunguza umaskini”

Moja ya tofauti muhimu za dhana katika utafiti ni kati ya utawala wa umaskini na kupunguza umaskini. Kupunguza umaskini kunarejelea matokeo ya mwisho ya maendeleo kama maboresho ya mapato, afya, elimu au hali ya maisha. Utawala wa umaskini, kwa upande mwingine, unahusu jinsi mahitaji yanavyotambuliwa, ni watu au jamii zipi zinazopewa kipaumbele, jinsi rasilimali zinavyotengwa, jinsi programu zinavyotekelezwa, jinsi matokeo yanavyofuatiliwa na jinsi watoa maamuzi wanavyowajibishwa.

Kwa hiyo, utafiti hauangalii tu kiwango cha maendeleo ya kiufundi cha akili bandia, bali unachunguza jinsi mifumo ya AI inavyobadilisha taratibu za kufanya maamuzi katika taasisi za ulinzi wa kijamii na maendeleo.

Njia nne za utawala zinazotumiwa na utafiti

Waandishi wanalinganisha matumizi ya AI katika sekta tofauti kupitia njia nne kuu za utawala:

1. Ulengaji na ugawaji wa rasilimali: Kuamua nani atapokea msaada na rasilimali zitasambazwa kwa masharti gani.
2. Utoaji wa huduma: Utekelezaji na ufikishaji wa ulinzi wa kijamii, afya, elimu na huduma nyingine.
3. Ufuatiliaji na tathmini: Kufuatilia utendaji wa programu, hatari na hali zinazobadilika za umaskini.
4. Uwajibikaji na ushiriki: Ufafanuzi na ukaguzikaji wa maamuzi ya kialgorithimu na uwezo wa wananchi kuyaelewa na kuyahoji.

Kwa nini akili bandia inachukuliwa kama mfumo wa kijamii na kiteknolojia?

Mapitio haya hayachukulii akili bandia kama zana ya hesabu inayoundwa na algorithimu pekee. Athari halisi ya mfumo wa AI huundwa kwa pamoja na data za mafunzo, miundombinu ya data, namna taasisi zinavyofanya kazi, uwezo wa udhibiti, mahusiano ya nguvu za kisiasa na kijamii pamoja na muktadha wa eneo ambamo mfumo unatumika.

Mtazamo huu ni muhimu hasa katika mazingira yenye rasilimali chache. Ikiwa mtu au jamii haijawakilishwa vya kutosha katika mifumo ya data, hata modeli yenye usahihi mkubwa wa kiufundi inaweza kuiainisha vibaya au kuifanya isionekane kabisa.

Misingi ya kinadharia ya utafiti

Utafiti unakusanya pamoja mitazamo kadhaa ya kinadharia. Mtazamo wa umaskini wa vipimo vingi hauutazami umaskini kama ukosefu wa mapato pekee; unauchunguza kupitia kunyimwa kunakohusiana katika afya, elimu, lishe, makazi, ufikiaji wa huduma, usalama na uwezo wa kutoa sauti.

Mtazamo wa uwezo husaidia kutathmini thamani ya teknolojia kwa kuangalia kama inapanua au haipanui chaguo za maisha zenye maana kwa watu. Huduma za afya, elimu au fedha zinazoungwa mkono na AI zinaweza kuongeza ufikiaji; lakini teknolojia hiyo hiyo inaweza pia kupunguza chaguo za watu ikiwa itaondoa makundi fulani.

Fasihi ya maendeleo ya kidijitali inasisitiza kwamba matokeo ya teknolojia hayaamuliwi na sifa za kiufundi pekee; taasisi, utamaduni, mahusiano ya nguvu na uwezo wa eneo vina nafasi muhimu katika mafanikio ya utekelezaji.

Mtazamo wa uchangamano unatambua kwamba umaskini hutokana na mwingiliano wa mifumo ya kiuchumi, kijamii, kimazingira na kitaasisi. Uwezo wa akili bandia kuchakata vigezo vingi na mahusiano yasiyo ya mstari katika modeli moja unachukuliwa hapa kama faida inayowezekana.

Mwishowe, mitazamo ya maadili ya AI na haki ya data inaweka katikati maswali ya nani anayewakilishwa katika data, nani anayedhibiti data, maamuzi ya kialgorithimu yanawanufaisha au kuwaumiza makundi gani na kama watu wana haki ya kupinga maamuzi ya kiotomatiki.

Mada 1: AI katika utabiri na ulengaji wa umaskini

Moja ya maeneo yanayoonekana zaidi katika mapitio ni utabiri wa kina zaidi wa umaskini kwa kiwango cha kijiografia na muda. Tafiti zilizochunguzwa zinajumuisha mbinu zinazounganisha picha za satelaiti, mwanga wa usiku, msongamano wa majengo, sifa za ardhi, matumizi ya simu za mkononi na alama nyingine za kidijitali na modeli za ujifunzaji wa mashine.

Lengo la mifumo hii si kujibu tu swali la “nani ni maskini?”. Kutambua mapema maeneo yenye hatari kubwa, kufuatilia mazingira magumu kadiri muda unavyopita na kupanga msaada wa chakula, uhamisho wa fedha au msaada mwingine kabla ya mgogoro pia ni miongoni mwa matumizi yanayochunguzwa.

Tafsiri ya mapitio ya chanzo haisemi kwamba mbinu za AI zinapaswa kuondoa kabisa tafiti za jadi za kaya zinazofanywa kwa vipindi virefu. Akili bandia inaelezwa kama zana inayoweza kukamilisha miundombinu ya taarifa iliyopo kwa kutumia data zinazoweza kusasishwa mara nyingi na zinazotoka katika vyanzo tofauti.

Mada 2: Uendeshaji otomatiki katika ulinzi wa kijamii na utoaji wa huduma

Mstari wa pili wa utafiti unahusu usimamizi wa msaada wa kijamii na huduma za umma. Katika fasihi iliyochunguzwa, AI inaangaliwa katika kazi kama kutathmini kustahiki kwa wanufaika, kuunganisha rekodi za kiutawala, kugundua udanganyifu, kupanga malipo na kufuatilia utendaji wa programu.

Matumizi haya yanaweza kupunguza mzigo wa kazi hasa katika mifumo yenye uwezo mdogo wa kiutawala. Hata hivyo, kuunganisha haki ya kupata msaada wa kijamii na uainishaji wa kialgorithimu hufanya hatari ya kosa kuwa nyeti zaidi. Uainishaji hasi wa kimakosa wa modeli unaweza kumwacha mtu anayehitaji msaada nje ya mfumo.

Mada 3: Ujumuishaji wa kifedha na njia za maisha

Katika mapitio, teknolojia za kifedha zinazoungwa mkono na AI zinatathminiwa kama zana zinazoweza kupanua ufikiaji wa mikopo, akiba au bima kwa watu wenye kipato cha chini. Kutathmini watu wasio na historia ya jadi ya mikopo au dhamana kwa kutumia historia ya malipo ya simu na data nyingine mbadala za kidijitali ni mojawapo ya matumizi yanayoonekana katika fasihi.

Uchanganuzi wa biashara na mifumo ya mapendekezo inayotegemea AI pia inahusishwa na kusaidia biashara ndogo katika utabiri wa mahitaji, upangaji wa bei, tathmini ya hatari na upangaji wa mnyororo wa ugavi.

Hata hivyo, matumizi ya data mbadala hayafanyi ujumuishaji wa kifedha kuwa wa haki moja kwa moja. Data zenye upendeleo, mifumo isiyo wazi ya alama za mikopo au udhibiti wa data unaofanywa na majukwaa yenye nguvu vinaweza kuunda aina mpya za kutengwa.

Mada 4: Kilimo, mifumo ya chakula na njia za maisha za vijijini

Kilimo ni eneo muhimu katika mapitio kwa sababu ya uhusiano wake wa moja kwa moja na umaskini na usalama wa chakula. Matumizi ya AI yaliyopitiwa yanajumuisha kilimo sahihi, utabiri wa mazao, utambuzi wa magonjwa na wadudu, uboreshaji wa udongo na umwagiliaji, tahadhari za mapema zinazotegemea hali ya hewa na utabiri wa soko.

Zana hizi zinaweza kuboresha matumizi ya pembejeo na usimamizi wa hatari kwa wazalishaji. Hata hivyo, utafiti pia unasisitiza kwamba iwapo miundombinu ya wingu, modeli za kibinafsi na mifumo ya uchakataji data inadhibitiwa nje ya nchi ambako uingiliaji unafanyika, utegemezi wa data na upotevu wa udhibiti wa ndani vinaweza kutokea.

Mada 5: Afya, elimu na huduma za msingi

Fasihi ya afya inalenga matumizi kama mifumo ya uchunguzi inayoungwa mkono na AI, huduma za afya kwa mbali, triage na utambuzi wa mapema wa milipuko. Lengo ni kusaidia uwezo wa huduma za afya hasa katika mazingira ambako ufikiaji wa huduma ni mdogo.

Katika elimu, ujifunzaji unaobadilika, ufundishaji unaobinafsishwa, msaada wa lugha na mifumo mahiri ya kufundisha vinajitokeza. Teknolojia hizi zinaweza kubinafsisha msaada wa kujifunza; lakini kuachwa nje kwa wanafunzi wasio na ufikiaji wa miundombinu ya kidijitali kunaweza kuongeza ukosefu wa usawa.

Katika huduma za msingi kama maji na nishati, matumizi yanayochunguzwa ni pamoja na utabiri wa mahitaji, kugundua uvujaji, uchanganuzi wa data za vihisi na uboreshaji wa usambazaji.

Mada 6: Hatari zinazovuka maeneo yote

Mada ya sita haijikiti katika sekta moja bali inahusu matatizo ya pamoja katika maeneo yote ya matumizi. Hatari kuu zinazojirudia katika mapitio ni upendeleo wa data, kutengwa kidijitali, faragha, ufuatiliaji, miundombinu isiyotosha, udhibiti dhaifu, ukosefu wa uwazi wa kialgorithimu na uwezo mdogo wa taasisi za ndani.

Kulingana na hitimisho la kulinganisha la mapitio, mchango wa AI unaonekana wazi zaidi katika kazi kama utabiri, uainishaji na uratibu wa kiutawala ambako matokeo yanaweza kuhesabiwa na kuonekana. Katika maeneo ambako tathmini za ubora kama haki ya usambazaji, uamuzi wa binadamu, uhalali wa kijamii na haki za msingi ndizo ziko katikati, ushahidi unaonekana kuwa na mjadala zaidi na kutegemea muktadha.

Kwa nini upendeleo wa data ni muhimu hasa katika sera za umaskini?

Mfumo wa AI unaweza kushindwa kutathmini kwa usahihi watu ambao hawajawakilishwa katika data zake za mafunzo. Ikiwa watu wenye kipato cha chini au wanaoishi maeneo ya mbali wanaonekana kidogo katika rekodi za kidijitali, modeli inaweza kuwaonyesha kuwa katika mazingira hatarishi kidogo kuliko uhalisia. Katika maamuzi yenye athari kubwa kama ulinzi wa kijamii au kustahiki mikopo, makosa ya aina hii yanaweza kubadilisha moja kwa moja ugawaji wa rasilimali.

Kwa hiyo, mapitio yanapendekeza kuhoji si usahihi wa algorithimu pekee, bali pia data inatoka wapi, nani amewakilishwa kwa upungufu na maamuzi yasiyo sahihi yanamuathiri nani.

Kwa nini “Human-in-the-loop” ni muhimu?

Utafiti unachukulia usimamizi wa binadamu si kama chaguo la kiufundi pekee, bali kama dhamana ya utawala. Kuacha maamuzi ya kiotomatiki yanayoathiri ufikiaji wa msaada wa kipato, afya, elimu au huduma nyingine za msingi kwa algorithimu iliyofungwa kabisa kunaweza kufanya iwe vigumu kugundua na kupinga maamuzi yasiyo sahihi.

Mtazamo wa kuwajibika unaopendekezwa na mapitio unaunganisha usimamizi wa binadamu, ukaguzi huru, uwazi wa kialgorithimu, muundo wa modeli unaozingatia haki na ushiriki wa jamii zinazoathiriwa katika mchakato wa usanifu.

Hatari ya ukoloni wa data inamaanisha nini?

Utafiti wa chanzo unaonya kwamba miundombinu ya data na AI inayotumiwa katika kupambana na umaskini inaweza kukusanya data kutoka jamii za ndani huku modeli, miundombinu ya kompyuta na nguvu ya kufanya maamuzi vikijikita kwa wahusika wengine. Muundo wa aina hii unaweza kupunguza udhibiti wa taasisi za ndani juu ya data zao za maendeleo na kusababisha utegemezi wa teknolojia wa muda mrefu.

Kwa hiyo, ni nani anayemiliki miundombinu ya AI, modeli zinatengenezwa wapi na data zilizokusanywa zinaweza kutumiwa tena kwa madhumuni gani vinaangaliwa katika utafiti kama masuala ya utawala.

Matokeo yanayoungwa mkono na utafiti

• Katika fasihi iliyochunguzwa, AI inaonekana kama zana inayoweza kusaidia ujumuishaji wa data za vyanzo vingi katika utabiri wa umaskini na ulengaji wa wanufaika.
• Uendeshaji otomatiki unaotegemea AI unaweza kuchangia michakato fulani ya kiutawala katika ulinzi wa kijamii na utoaji wa huduma kufanyika kwa kasi zaidi na kwa uratibu.
• Data mbadala na ujifunzaji wa mashine vinaunda fursa mpya katika ufikiaji wa huduma za kifedha, msaada wa maamuzi ya kilimo na upangaji wa huduma za msingi.
• Manufaa ya AI yanategemea sana ubora wa data, miundombinu ya kidijitali, uwezo wa ndani, uwazi na masharti ya utawala wa kitaasisi.
• Upendeleo wa kialgorithimu, faragha, ufuatiliaji, kutengwa kidijitali na ukosefu wa uwajibikaji vinaweza kubadilika moja kwa moja kuwa matatizo ya haki katika ugawaji ndani ya sera za umaskini.

Matokeo ambayo utafiti hauungi mkono, haujajaribu au haujathibitisha

• Hakuna ukubwa wa athari wa pamoja uliohesabiwa unaoonyesha kwamba akili bandia hupunguza umaskini kwa asilimia fulani.
• Haijathibitishwa kwamba ulengaji wa msaada wa kijamii unaotegemea AI ni wa haki zaidi kuliko mbinu za kawaida katika kila nchi.
• Utabiri wa umaskini unaotegemea picha za satelaiti au data za simu haujathibitishwa kama mbinu inayoweza kuchukua nafasi kabisa ya tafiti rasmi za kaya.
• Haijaonyeshwa kwamba alama za mikopo kwa kutumia data mbadala hupunguza ubaguzi kwa makundi yote ya kipato cha chini.
• Matumizi ya AI katika afya, elimu au kilimo pekee hayathibitishi kwamba yanasababisha kupungua kwa umaskini kwa muda mrefu.
• Haijaonyeshwa kwamba matumizi yaliyopitiwa yatatoa matokeo yale yale katika nchi zote zenye kipato cha chini.
• Mapitio haya si meta-analisi na hayahesabu ukubwa wa athari wa pamoja wa kiasi wa tafiti.

Yasomweje kwa mtazamo wa Türkiye?

Utafiti una upeo wa kimataifa na hautoi uchambuzi mdogo maalumu kwa Türkiye. Kwa hiyo, haiwezekani kutoa hitimisho la moja kwa moja la ufanisi kwa ulinzi wa kijamii au huduma za umma nchini Türkiye kutoka kwa mifano ya kimataifa katika mapitio.

Katika kutathmini mifumo sawa ya AI katika muktadha wa Türkiye, pamoja na usahihi wa modeli, uwakilishi wa data, ufikiaji wa kidijitali, uwezo wa taasisi za ndani, usimamizi wa binadamu, uwezo wa kueleza maamuzi na taratibu za kupinga uainishaji usio sahihi vinapaswa kutathminiwa pamoja. Mahitaji haya yanatokana na mfumo wa jumla wa utawala wa utafiti; utafiti haujajaribu vipengele hivi moja kwa moja nchini Türkiye.

Mbinu na Matokeo ya Utafiti

Upeo wa mapitio ya kimfumo

Utafutaji wa mwisho wa fasihi ulifanywa tarehe 15 Oktoba 2025. Kipindi cha utafiti kilipunguzwa kwa machapisho ya Kiingereza kati ya 1 Januari 2015 na 15 Oktoba 2025.

Vyanzo vitatu vya bibliografia vilitumika:

• Scopus
• Web of Science Core Collection
• Directory of Open Access Journals (DOAJ)

Aina za machapisho yaliyojumuishwa zilikuwa makala za majarida yaliyopitiwa na wataalamu na sura za vitabu vya kitaaluma. Tahariri, muhtasari wa makongamano na ripoti ambazo hazikupitiwa na wataalamu ziliondolewa.

Mkakati wa utafutaji

Utafutaji uliunganisha makundi matatu ya dhana kuu. Kundi la kwanza lilikuwa “artificial intelligence”, “machine learning”, “deep learning” na “predictive analytics”; la pili lilikuwa “poverty”, “poverty reduction”, “social protection” na “livelihoods”; na la tatu liliundwa na istilahi “governance”, “targeting”, “delivery” na “accountability”.

Kulingana na vigezo vya kujumuisha vya utafiti, AI ilipaswa kuwa mada kuu ya utafiti, utafiti ulipaswa kushughulikia umaskini au matokeo yanayohusiana na umaskini, na ulipaswa kugusa wazi au kwa njia isiyo ya moja kwa moja njia ya utawala.

Mchakato wa uteuzi wa PRISMA

Katika utafutaji wa awali, rekodi 387 zilitambuliwa. Baada ya kuondoa rekodi 56 zilizojirudia, rekodi 331 ziliingizwa katika uchunguzi wa kichwa na muhtasari. Katika hatua hii, tafiti 258 ziliondolewa na tafiti 73 zikaingia katika tathmini ya kustahiki kwa maandishi kamili. Katika tathmini ya maandishi kamili, tafiti nyingine 25 ziliondolewa na tafiti 48 zikajumuishwa katika usanisi wa mwisho.

Kwa nini tafiti 25 ziliondolewa katika hatua ya maandishi kamili?

Jumla ya sababu hizi tatu ni 25 na inaendana na maelezo ya uondoaji wa maandishi kamili katika utafiti wa chanzo.

Tathmini ya ubora ilifanywaje?

Tafiti za kimajaribio za kiasi, ubora na mbinu mchanganyiko zilitathminiwa kwa kutumia Mixed Methods Appraisal Tool, toleo la 2018. Tathmini ilifanywa kwa kujitegemea na watafiti wawili.

Tafiti za kimajaribio ziliainishwa kama michango ya kuaminika sana, kuaminika kwa kati au kuaminika kidogo. Tafiti zenye kuaminika kidogo zilibaki tu zilipotoa taarifa ya kipekee ya kisekta au kimuktadha, na matokeo yake yalitafsiriwa kwa tahadhari zaidi.

Tafiti za dhana na mapitio hazikupewa alama za ubora wa kimajaribio; zilitathminiwa kwa kufaa kwa dhana na kutumiwa zaidi kwa madhumuni ya mfumo na tafsiri.

Kwa kuwa utafiti wa chanzo haujachapisha idadi ya tafiti katika makundi haya ya kuaminika wala matokeo ya MMAT kwa kila utafiti, haiwezekani kwa Verianla kuunda upya mgawanyo wa ubora kwa takwimu.

Ni taarifa gani zilitolewa?

Kutoka kwa kila utafiti, taarifa za bibliografia, nchi au eneo, sekta ya matumizi, mbinu ya AI iliyotumika, njia ya utawala iliyochunguzwa, manufaa na hatari zilizoripotiwa pamoja na mifumo ya dhana iliyotumika zilitolewa kupitia fomu iliyosanifishwa.

Kisha usanisi wa mada uliotumia usimbaji unaorudiwa, ukuzaji wa mada za maelezo na uundaji wa mada za uchanganuzi zinazovuka tafiti binafsi ulitumika.

Maeneo sita ya mada yaliyotambuliwa katika utafiti

Jedwali hili limefafanuliwa katika utafiti wa chanzo kama “indicative”, yaani uainishaji wa kuongoza na usio kamili. Kwa kuwa idadi ya tafiti kwa kila mada haijatolewa, jedwali halipaswi kusomwa kama jedwali la kiwango cha kuenea au ukubwa wa athari.

Ushahidi wenye nguvu zaidi unaonekana katika kazi zipi za utawala?

Kulingana na usanisi linganishi wa waandishi, mchango wa AI unaonekana kwa uthabiti zaidi katika maeneo yanayohitaji utabiri, uainishaji na uratibu wa kiutawala. Uchoraji ramani wa umaskini, ulengaji wa wanufaika na kugundua udanganyifu ni mifano.

Kinyume chake, katika kazi za utawala ambako haki ya usambazaji, uamuzi wa binadamu unaozingatia muktadha, ushiriki wa wananchi na haki za msingi ziko katikati, matokeo yanabadilika zaidi na yana mjadala. Kwa hiyo, utendaji wa juu wa utabiri si sawa na utawala mzuri.

Masharti muhimu ya utawala yanayotokana na mapitio

Masharti yanayojirudia katika sekta zote katika utafiti ni utawala imara wa data, miundombinu ya kidijitali inayojumuisha wote, muundo unaozingatia muktadha, uwazi wa kialgorithimu, uwezo wa kitaasisi, usimamizi wa binadamu na ushiriki wa jamii zinazoathiriwa.

Masharti haya hayachukuliwi kama maelezo ya kimaadili yaliyoongezwa baadaye, bali kama vipengele vya msingi vya mfumo vinavyoamua mafanikio ya AI katika utawala wa umaskini.

Vikwazo vikuu vya kimetodolojia na kiushahidi

Meta-analisi haikufanywa: Ukubwa wa athari wa pamoja wa tafiti zilizochunguzwa haukuhesabiwa na athari ya jumla ya kiasi ya AI juu ya umaskini haikukadiriwa.

Ushahidi haujasambazwa sawa kijiografia: Nchi zenye miundombinu imara zaidi ya kidijitali na uwezo mkubwa wa utafiti zinaonekana zaidi katika fasihi; ushahidi katika mazingira dhaifu, yaliyoathiriwa na migogoro na yenye kipato cha chini sana ni mdogo zaidi.

Matokeo ya muda mrefu ni machache: Tafiti nyingi zinalenga viashiria vya utendaji wa kiufundi, wakati tafiti zinazofuatilia kwa muda mrefu mgawanyo wa mapato, athari za kijamii, tofauti za kijinsia na matokeo yanayokatiza makundi ni chache.

Tafiti linganishi za kitaasisi ni chache: Idadi ya tafiti zinazolinganishia kwa nini uingiliaji ule ule wa AI unafaulu au kushindwa chini ya mifumo tofauti ya utawala haitoshi.

Baadhi ya maeneo ya umaskini yamechunguzwa kidogo: Hasa njia zisizo rasmi za maisha mijini na kazi ya malezi kama maeneo muhimu ya umaskini wa vipimo vingi yamewakilishwa kwa kiwango kidogo katika fasihi ya AI na maendeleo.

Masafa ya mada hayajaripotiwa: Ingawa maeneo sita ya mada yametambuliwa, haijaelezwa ni tafiti ngapi zipo katika kila mada.

Mgawanyo wa ubora haujaripotiwa kikamilifu: Madaraja ya kuaminika yanayotegemea MMAT yameelezwa, lakini matokeo ya ubora ya kila utafiti na idadi ya makundi hayajatolewa.

Mpaka wa korpasi hauwezi kufuatiliwa kikamilifu: Kwa kuwa marejeo hayatenganishi moja kwa moja vyanzo vya kinadharia na kimuktadha na tafiti 48 za mwisho, si rahisi kuamua kwa kujitegemea katika kila hali kama rejea fulani ni sehemu ya korpasi ya mapitio ya kimfumo.

Dokezo la Chanzo na Mbinu

Jina kamili la utafiti wa asili: The Role of Artificial Intelligence in Poverty Governance: A Systematic Literature Review of Innovations and Implementation Challenges

Waandishi: Ismail Sheik; Gabriel Kabanda.

Mpangilio wa waandishi: Ismail Sheik ni mwandishi wa kwanza, Gabriel Kabanda ni mwandishi wa pili.

Mchango sawa/uandishi wa kwanza sawa: Chanzo hakina tamko la mchango sawa au uandishi wa kwanza sawa.

Mwandishi wa mawasiliano: Ismail Sheik.

Taasisi: Graduate School of Business and Leadership, University of KwaZulu-Natal, Westville Campus, Durban 4000, KwaZulu-Natal, South Africa.

Jarida: Administrative Sciences.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / makala: 16(6), 269.

DOI: 10.3390/admsci16060269

Tarehe ya kuwasilishwa: 3 Februari 2026.

Tarehe ya marekebisho: 8 Aprili 2026.

Tarehe ya kukubaliwa: 9 Aprili 2026.

Tarehe ya kuchapishwa: 4 Juni 2026.

Aina ya chanzo: Mapitio ya kimfumo ya fasihi na usanisi wa mada kwa mwongozo wa PRISMA 2020.

Hali ya mapitio ya kitaalamu: Utafiti ni mapitio ya kimfumo yaliyochapishwa katika jarida la Administrative Sciences linalopitiwa na wataalamu.

Kiungo rasmi cha uchapishaji:Ukurasa rasmi wa DOI

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Chanzo kinaonyesha “Not applicable”.

Ridhaa iliyoarifiwa: Chanzo kinaonyesha “Not applicable”.

Upatikanaji wa data: Imeripotiwa kwamba hakuna seti mpya ya data iliyoundwa au kuchambuliwa katika utafiti; utafiti unatokana na mapitio ya kimfumo ya makala za majarida yaliyopitiwa na wataalamu na sura za vitabu vya kitaaluma zilizochapishwa.

Shukrani / tamko la zana ya uandishi: Waandishi wameripoti kwamba walitumia Grammarly wakati wa kuandaa makala ili kusaidia katika uteuzi wa maneno yanayofaa, wakakagua na kuhariri matokeo, na kubeba jukumu la maudhui.

Mgongano wa maslahi: Waandishi wametangaza kwamba hawana mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana, mbinu, uthibitishaji na uchanganuzi rasmi I.S. na G.K.; uchunguzi na rasilimali I.S.; uratibu wa data I.S. na G.K.; rasimu ya kwanza na mapitio/uhariri I.S. na G.K.; upatikanaji wa ufadhili I.S. na G.K. umeripotiwa.

Matokeo ya kisayansi, uainishaji wa mada, taarifa za mbinu na mipaka ya tafsiri katika maudhui haya ya Verianla yanategemea mapitio ya asili ya kimfumo yaliyopakiwa. Uthibitishaji wa nje ulitumika tu kuthibitisha utambulisho wa uchapishaji na hali ya mapitio ya kitaalamu ya jarida; hakuna matokeo mapya ya utendaji wa AI, data ya umaskini au athari ya sera kutoka chanzo cha nje iliyoongezwa kwenye maudhui kuu ya kisayansi.

Utafiti haukutengeneza mfumo mpya wa akili bandia, haukufanya uingiliaji wa moja kwa moja kwa watu wanaoishi katika umaskini, wala haukukokotoa ukubwa wa athari wa pamoja wa kimeta-analisi. Kwa hiyo, haiwezekani kuhitimisha kutoka mapitio haya kwamba AI hupunguza umaskini kwa asilimia fulani au kwamba matumizi maalumu ni bora kisababu katika ulimwengu halisi.

Ingawa chanzo kinasema kwamba mgawanyo wa maeneo ya mada na maeneo ya dunia uliandaliwa, Jedwali 1 halitoi mgawanyo wa nambari wa mada au maeneo. Madaraja ya kuaminika yaliyotumiwa katika tathmini ya ubora ya MMAT yameelezwa, lakini idadi ya tafiti kwa kila daraja na tathmini za kila utafiti hazijaripotiwa. Pia hakuna orodha ya korpasi inayotenganisha tafiti 48 za mwisho na vyanzo vingine vilivyotumiwa kwa madhumuni ya mfumo/majadiliano. Vikwazo hivi vya kuripoti havijakamilishwa kimyakimya wala kukadiriwa na Verianla.