Artificial intelligence and records management in contemporary organizations: what cultural aspects are required? Insights from the information culture framework (ICF)
Notice bibliographique
Résumé
Purpose This study aims to examine how artificial intelligence can be effectively integrated into records management practices by identifying the key cultural aspects that should be aligned with the prerequisites of automation. The author also discusses the new roles that are to be played by records managers in this context. Design/methodology/approach To identify those cultural aspects, the author has used the Information culture framework (ICF) developed by Oliver and Foscarini (2020). For each of the three levels of the ICF (i.e. visible, intermediate and invisible), the author has analyzed the cultural aspects serving as the prerequisites of AI for records management purposes. Findings The results of our theoretical reflection reveal that for AI features to be integrated into records management practices, many cultural aspects are to be taken into consideration. AI-powered technologies use, collaboration practices and horizontal communication are some visible cultural aspects contemporary organizations should have in place to meet the requirements of automation. Furthermore, policies and strategies should define automation purposes, identify actors that will be involved in records management practices and describe their respective roles. Finally, attention should be given to individual perceptions and personal traits to ensure that AI technologies are embraced by organizational actors. All those aspects should support the development of a common AI-related language in the organization and influence the extent to which actors trust AI-powered technologies. In this context of automation, records managers will have to assume new roles in change management and promoting information competencies, to assess organizations’ readiness to integrate AI into its records management practices and make the appropriate use of it. Originality/value To the best of the author’s knowledge, this study is the first to use the ICF model suggested by Oliver and Foscarini (2020) to identify the main cultural aspects to target for the effective use of AI in records management practices. Furthermore, the author confirmed the relevance of the expression “augmented records management”, referring to AI-assisted records management practices in contemporary organizations, by highlighting the fact that AI will not replace human work but can, rather, be used as a tool to support it.
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 | 0,021 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,044 |
| Communication savante | 0,020 | 0,015 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».