Requirements for trustworthy AI-enabled automated decision-making in the public sector: A systematic review
Notice bibliographique
Résumé
With AI adoption for decision-making in the public sector projected to rise with profound socio-ethical impacts, the need to ensure its trustworthy use continues to attract research attention. We analyze the existing body of evidence and establish trustworthiness requirements for AI-enabled automated decision-making (ADM) in the public sector, identifying eighteen aggregate facets. We link these facets to dimensions of trust in automation and institution-based trust to develop a theory-oriented research framework. We further map them to the OECD AI system lifecycle, creating a practice-focused framework. Our study has theoretical, practical and policy implications. First, we extend the theory on technological trust. We also contribute to trustworthy AI literature, shedding light on relatively well-known requirements like accountability and transparency and revealing novel ones like context sensitivity, feedback and policy learning. Second, we provide a roadmap for public managers and developers to improve ADM governance practices along the AI lifecycle. Third, we offer policymakers a basis for evaluating possible gaps in current AI policies. Overall, our findings present opportunities for further research and offer some guidance on how to navigate the multi-dimensional challenges of designing, developing and implementing ADM for improved trustworthiness and greater public trust. • We determined 18 aggregate trustworthiness requirements for AI-enabled ADM. • These requirements were mapped to six trust dimensions to create a theory-oriented research framework. • For practice, we mapped the requirements to the OECD AI lifecycle. • Context sensitivity was found to be key to the trustworthiness of AI-enabled ADM. • AI algorithms require multiple forms of accountability to be trustworthy
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 | 0,057 | 0,240 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,022 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».