Machine learning in Governments: Benefits, Challenges and Future Directions

Abstract

The unprecedented increase in computing power and data availability has signifi-cantly altered the way and the scope that organizations make decisions relying on technologies. There is a conspicuous trend that organizations are seeking the use of frontier technologies with the purpose of helping the delivery of services and making day-to-day operational deci-sions. Machine learning (ML) is the fastest growing and at the same time, the most debated and controversial of these technologies. Although there is a great deal of research in the literature related to machine learning applications, most of them focus on the technical aspects or pri-vate sector use. The governmental machine learning applications suffer the lack of theoretical and empirical studies and unclear governance framework. This paper reviews the literature on the use of machine learning by government, aiming to identify the benefits and challenges of wider adoption of machine learning applications in the public sector and to propose the direc-tions for future research.

Ciencia de datos en la evaluación del impacto de las políticas públicas: Una revisión de la literatura

“…Por otro lado, respecto a los marcos teóricos utilizados, se ha encontrado una gran variedad en cuanto a enfoques y alcance, que es lo que se esperaba dada la variedad en la amplitud y enfoque de los problemas que han abordado los investigadores revisados. Entre los marcos teóricos con un amplio alcance que pueden ser destacados se encuentran: el Marco TIC para abordar los ODS, cuyo objetivo es gestionar la complejidad de los ODS y proporcionar conocimientos para construir plataformas de TIC propuesto por Kostoska & Kocarev (2019); el marco propuesto por Ballester (2021), denominado Marco de adopción-clasificación de IA para instancias gubernamentales, cuyo propósito es proveer de criterios tangibles para evaluar el despliegue de proyectos de IA en el sector público; el modelo de tres niveles (individual, organizativo e institucional) y 4 condiciones (ausencia de una visión, falta de recursos, ausencia de cultura de digitalización y fragmentación administrativa) propuesto por Manny et al (2021), resulta relevante pues puede ser un punto de partida para la identificación de las barreras que enfrenta el sector público para la adopción de la IA; y finalmente el Ciclo Dinámico de la Políticas Del mismo modo, entre los marcos teóricos asociados a la problemática más específica o de menor alcance podemos citar como relevantes a la Inteligencia Artificial Explicable (XIA por sus siglas en inglés) tratada en el artículo de Pi (2021), cuyo objetivo es contribuir a reducir la opacidad de los algoritmos IA, el cual según sus proponentes es en última instancia un problema de interacción persona-ordenador (HCI, por sus siglas en inglés); el Marco basado en argumentos para evaluar la incertidumbre en los modelos basados en datos estudiado por Knüsel et al (2020), resulta interesante para las investigaciones orientadas a resolver los problemas de incertidumbre de segundo orden; los modelos basados en actividad, que con respecto a los basados en procesos representan ventajas para estimar los efectos de las políticas, que en el caso estudiado por Bassolas et al (2019), se aplicó al transporte privado pero que es posible trasladarlo a otros sectores; otro marco conceptual, aunque orientado a aplicaciones específicas del sector salud, resulta relevante para las investigaciones relacionadas a evaluar el impacto de políticas públicas, es el Entorno Vital Inteligente (SLE por sus siglas en ingles), que representan un marco para diseñar entornos que faciliten las mediciones a través de sensores del bienestar de las personas estudiado por Casaccia et al (2021); y finalmente en este grupo podemos mencionar como un marco relevante para investigaciones futuras relacionadas al tema, a los Ecosistemas de Grandes Datos del Gobierno (GBDE) cuyo fin es lidiar con el desafío de tratar con grandes cantidades de datos de diferentes fuentes y formatos, estudiado con amplitud por Shah et al (2021).…”

“…El segundo tema, denominado ausencia de una visión holística, está relacionado a la ausencia de una visión amplia e integral de las investigaciones realizadas sobre la administración pública y la ciencia de datos y tecnologías asociadas como habilitador. Para definir el tercer y cuarto tema, se toma en cuenta los roles que desempeña el sector público frente a estas tecnologías, de acuerdo con Pi (2021), los sectores públicos tienen un doble papel, como usuarios y como reguladores; en tal sentido el tercer tema, al que se le denomina condiciones a favor y en contra, se agruparan los problemas identificados, que están relacionados a aquellas barreras o habilitadores que dificultan o facilitan su adopción en el sector público, es decir cuestiones relacionadas a su rol como usuario.…”

Untitled

“…Due to large amounts of misleading reports and audio materials related to COVID-19 are recorded on different online sites. Processing of machine learning based algorithms will be slow when filtering erroneous information and audio (Pi 2021). It is complicated to work with incorrect and unclear data in descriptions of text.…”

Recommendation Algorithm in TikTok: Strengths, Dilemmas, and Possible Directions

“…User-based and targeted explainable framework is a feasible way to deal with the transparency and explainability problem as well as to balance the algorithm-centric view and user-centered view. Tailored explanations based on characteristics and expectations of different user groups (Pi, 2021) should be applied among technical and non-technical end users. It not only makes the process of individualized video recommendation pattern more transparent, but also strengthens users' engagement in the construction of tailored recommendation mechanism.…”