Building Socio-Technical Trust in Kazakhstani Banking Audits Through Estonia’s Digital Governance Model
Notice bibliographique
Résumé
The purpose of this study is to develop and substantiate the socio-technical trust architecture (hereinafter – STTA) model, adapted to the national practice of banking audit, drawing on Estonia’s experience and on the theoretical frameworks of socio-technical systems and institutional trust. The research methodology is based on a documentary analysis of Kazakhstan’s regulatory framework, a comparative study of international experiences (in particular, the Estonian X-Road model and KSI blockchain technology), as well as theoretical modelling. The work uses statistical materials from the National Bank of the Republic of Kazakhstan, the Agency for Regulation and Development of the Financial Market (2022-2024), data from international organizations (the World Bank, the OECD), as well as empirical research on the Estonian practice of digital auditing. A four-level STTA model has been developed, comprising the user level (portals for civil audit via NDID), the management level (regulatory sandboxes), the technical level (blockchain audit, API infrastructure), and target trust indicators (Public Verifiability Index, “trust rate” metric). The model assumes an increase in the level of public trust in banking auditing in Kazakhstan to 80% by 2030 (from the current ~38%), a 30% reduction in repeated violations, and a significant decrease in fraudulent transactions. The study highlights the need for regulatory recalibration and IT infrastructure upgrades to build trust through Estonia-inspired mechanisms. The results are practically relevant for transition economies seeking to strengthen digital accountability and citizen engagement in financial oversight.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».