AI-Powered Information Governance: Balancing Automation and Human Oversight for Optimal Organization Productivity
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
This study employs a mixed-methods approach to examine the optimal balance between AI-powered automation and human oversight in information governance frameworks, aiming to enhance organizational productivity, efficiency, and compliance. Quantitative data collected from 384 respondents were analyzed using Pearson correlation, regression models, and Structural Equation Modeling (SEM). The results reveal strong positive correlations between AI automation levels and both organization size (r = 0.55, p < .01) and AI adoption duration (r = 0.62, p < .01). Regression analysis indicates that higher levels of AI automation significantly improve error reduction (β = 1.12, p < .001) and compliance (β = 1.05, p < .001), especially in larger organizations with longer AI adoption periods. SEM findings highlight that human oversight positively impacts error reduction (β = 0.65, p < .001) and compliance improvement (β = 0.72, p < .001), and the interaction between human oversight and AI automation further enhances these outcomes (error reduction: β = 0.32, p < .001; compliance improvement: β = 0.35, p < .001). The qualitative analysis, involving thematic extraction from industry reports, reveals ethical challenges such as data quality issues, algorithmic bias, and privacy concerns. Hence, it is necessary to integrate human oversight to ensure ethical standards and build stakeholder trust in AI-driven systems. The study concludes with practical recommendations for organizations: establishing transparent AI governance frameworks, investing in continuous training for employees, and regularly auditing AI processes to mitigate risks. By addressing both the technological and ethical dimensions, organizations can implement AI-powered information governance that not only boosts productivity and efficiency but also ensures compliance and ethical integrity.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| 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