AI-Powered Information Governance: Balancing Automation and Human Oversight for Optimal Organization Productivity
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,093 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».