Percepción de la inteligencia artificial en la lucha contra la corrupción: una exploración al caso del Estado de Colombia
Notice bibliographique
Résumé
Este artículo examina la percepción y la efectividad de la inteligencia artificial (IA) como herramienta para combatir la corrupción en organizaciones públicas, evaluando su capacidad para fortalecer dimensiones clave como datos, tecnología, recursos humanos y habilidades organizacionales. Además, se propone un marco para la implementación ética y eficiente de estas tecnologías en el sector público. La metodología del estudio incluye un análisis bibliométrico realizado con VOS-viewer, que ofrece una visión comprehensiva de las tendencias de investigación, identificando las principales áreas de enfoque y las interrelaciones entre conceptos fundamentales como inteligencia artificial, corrupción, ética en la toma de decisiones, gobierno digital e interoperabilidad. Complementariamente, se aplicó un instrumento cuantitativo a 87 egresados de programas de gobierno, estructurado en cinco dimensiones: datos, tecnología, recursos básicos, habilidades humanas y capacidades intangibles. Los promedios agregados por dimensiones revelan los siguientes resultados: datos (3,7), ética (3,6), entidad organizacional (2,8), talento humano (2,5), liderazgo directivo (2,4) e inteligencia artificial (1,9). Notablemente, el 100% de los encuestados considera necesario desarrollar más herramientas tecnológicas de IA para combatir la corrupción, subrayando la importancia de estas tecnologías en la mejora de la transparencia y la eficiencia administrativa. Las conclusiones destacan la necesidad de que el Estado colombiano continúe desarrollando iniciativas tecnológicas respaldadas por marcos normativos y éticos a nivel nacional y territorial, así como fortalecer la formación y capacitación de la ciudadanía y los funcionarios públicos en temas de transparencia y lucha contra la corrupción. Este estudio contribuye a la literatura existente al proporcionar evidencia empírica sobre el potencial de la IA en la lucha contra la corrupción y al ofrecer recomendaciones prácticas para su implementación efectiva y ética en el sector público.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,010 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».