机构名称：
¥ 2.0
例如人工智能 (AI)、大数据分析、机器学习和区块链对管理和组织系统和实践的影响 (Tan and Taeihagh, 2021 ; Dickinson et al., 2021 ; Leiman, 2021 ; Radu, 2021 ; Taeihagh, 2021 ; Ulnicane et al., 2021 )。这些技术正在彻底改变现有的行政系统和实践，使其成为人与机器之间新型的互动，有时被称为算法官僚主义 (Vogl et al., 2020 ; Tan and Crompvoets, 2022 )。然而，由于组织内部和外部感知到的技术、系统、行政和监管障碍导致各种价值观保留，公共部门组织采用新的数字技术面临挑战（Tan 等人，2022 年；Bullock 等人，2020 年；Vogl 等人，2020 年；Tangi 等人，2021 年，Sun 和 Medaglia，2019 年）。公共管理研究已开始调查与系统应用人工智能和算法决策相关的挑战（Exmeyer 和 Hall，2022 年；Neumann 等人，2022 年）、问责机制（Busuioc，2021 年）、公民信任和决策的可解释性（Grimmelikhuijsen，2022 年）、组织重组（Meijer 等人，2021 年）、行政自由裁量权和实施意愿（Alshallaqi，2022 年；Wang 等人，2022 年）、道德原则和公民隐私（Willems 等人，2022 年）、能力差距和知识管理（Wilson 和 Broomfield，2022 年）。然而，这些新兴文献提供了如何在公共政策过程中整合人工智能和算法决策的零散图景。两种理论模型评估公共政策过程中的技术采用：行为模型通过分析用户对技术的感知和用户级特征的中介影响来解释技术采用过程，结构模型通过组织和机构因素与用户行为的相互作用来解释技术采用过程。这两种模型都侧重于用户的感知，但并没有提供整体视角来解释不同机构、组织、技术和个人层面驱动因素之间的感知关系及其对系统应用的影响（Dawes，2009；Engvall 和 Flak，2022）。这使得为公共政策过程中的人工智能和算法决策制定可行的数字化转型战略变得复杂。我们的具体研究问题是：本文旨在通过开发一个整体模型 1 来解决文献中的这一空白，该模型可以解释影响人工智能和算法工具在公共政策过程中整合的感知驱动因素之间的相互关系。具体来说，本研究重点关注税收和社会保障领域的欺诈检测案例，这些领域是使用机器学习和人工智能驱动的高级分析技术的主要政策领域。虽然这些技术有可能改进欺诈检测流程，但采购障碍、培训不足的工人、数据限制、缺乏技术标准、组织变革的文化障碍以及遵守负责任的人工智能原则的需要阻碍了它们的广泛采用 (West, 2021 )。
欺诈检测中的人工智能和算法决策
主要关键词
相关文件推荐
