E‐government maturity model using the capability maturity model integration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to propose a framework for assessing the maturity level of electronic government (e‐government). Design/methodology/approach The conceptual framework is based on two models: the intellectual capital (IC) management and the capability maturity model integration (CMMI). Findings The framework is composed of four input areas (human capital, structural capital, relational capital, and IT investment) and five maturity stages (web presence, interaction, transaction, integration, and continuous improvement). These areas are assessed by using the IC management model and the CMMI model. Employing the IC management process enables not only practitioners to effectively manage resources, but also auditors to more objectively assess the input area. Using the CMMI model allows governments to conduct process‐based assessments. Originality/value The paper contributes to the literature and practice in the following ways. First, it outlines how to define and assess key attributes of e‐government activities. It can help governments to enhance the awareness and understanding of maturity levels of e‐government. Second, this research expands the scope of current studies on a maturity model by providing a balanced view between input factors (resources) and results (maturity stages). For practitioners, assessing the input factors enables them to realize how to prioritize strategies and resources. For academics, this attempt sheds light on the concepts of IC in e‐government studies. Third, considering the CMMI model will be helpful to conduct an objective and useful assessment. On the basis of a matrix for assessing maturity levels, governments can conduct self‐assessment and establish stable and mature implementation processes.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle