To “In-House” or To Outsource? Artificial Intelligence in Canadian Local Governments
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
Artificial Intelligence (AI) promises significant benefits to municipalities, such as improved service delivery and operational efficiency. Given the resource-intensive nature of AI, municipalities must decide whether to develop AI in-house or outsource AI systems. Whereas outsourcing decisions have been widely studied in the private sector there is limited research to help us understand how municipalities navigate this choice despite their unique constraints, public accountability, and policy considerations. Our study addresses this gap by surveying representatives of 28 Canadian municipal AI projects to investigate the factors influencing their decisions. We found six factors that influence the decision of municipalities to “in-house” or outsource AI. We found that insufficient in-house AI expertise was the primary determinant of outsourcing. Funding and data sharing issues challenged both in-house development and outsourcing. Ensuring AI explainability and trust is perceived as more challenging when outsourcing. Contrary to common assumptions, AI maintenance is perceived as more difficult when outsourced. The lack of AI-specific regulations poses challenges for in-house development due to limited government guidance but also offers flexibility, while creating challenges in constructing AI outsourcing contracts. This paper is the first to compare in-house AI development and outsourcing within local governments. By capturing firsthand experiences of the participants directly involved in the AI projects, our research provides empirical insights into the trade-offs between these two approaches. Overall, these findings offer valuable guidance for municipalities seeking to make informed AI adoption decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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