An Information Governance Methodology to Tackle Digital Recordkeeping Challenges: The Convergence of Artificial Intelligence, Business Analysis and Information Architecture
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
In the paper, a five-step methodology comprising 1) IM Need and Capacity Analysis; 2) Functional Analysis; 3) Process Analysis; 4) Information Architecture Development; 5) NLP Requirement Specifications and Iteration is presented. This presentation is followed by a discussion demonstrating how the methodology fulfills the Information Governance compliance requirements while promoting a better coordination of information management strategies, with both IT, security and performance measurement strategies. The methodology also lays the foundations to integrate recordkeeping automation to current recordkeeping practices based on techniques derived from research in artificial intelligence. Dans le document, une methodologie en cinq etapes comprenant 1) l'analyse des besoins et des capacites de GI; 2) Analyse fonctionnelle; 3) Analyse des processus; 4) Developpement de l'architecture de l'information; 5) Les specifications et iterations des exigences PNL sont presentees. Cette presentation est suivie d'une discussion demontrant comment la methodologie repond aux exigences de conformite de la gouvernance de l'information tout en favorisant une meilleure coordination des strategies de gestion de l'information, avec les strategies informatiques, de securite et de mesure de la performance. La methodologie jette egalement les bases pour integrer aux pratiques actuelles l'automatisation de la gestion de documents basee sur des techniques derivees de la recherche en intelligence artificielle.
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 | 0,003 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,021 |
| Science ouverte | 0,002 | 0,001 |
| 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