Artificial Intelligence adoption in Canadian public administration: a mixed-methods study
Notice bibliographique
Résumé
The economic and political climate expects public administration to do more with less. Artificial Intelligence (AI) technologies can add immense value towards achieving these goals. However, AI use is accompanied by negative externalities on the environment and already at-risk populations. Against this backdrop of increasing rhetoric of AI benefits and its associated harms, this study explains the AI adoption phenomenon in public administration both from outside-in and inside-out perspectives. The context of the study is Canadian public administration, and the scope is limited to machine learning and natural language processing. This thesis consists of four papers. The first paper is an exploratory literature review. Through a cross-case analysis of thirty AI implementations, a typology of AI use cases is developed. The second paper is a systematic literature review and identifies technological, organisational, and environmental factors that influence AI adoption in public administration. The third and fourth papers are mixed-methods studies that draw on a cross-sectional survey (n=277) and semi-structured interviews (n=39). The third paper is grounded in institutional and sensemaking theories and explains factors that affect the perceived benefits of AI use in public administration and how they operate. The fourth paper is grounded in the resource-based view (RBV) of the firms and explains what resources and capabilities enable AI adoption in public administration and how these capabilities are developed. The study contributes to both theory and practice. Theoretical contributions include an updated AI innovation process expanding the diffusion of innovation theory within the context of AI. The study demonstrates black-box assumptions of the institutional theory and RBV can be explained by enumerating underlying mechanisms. Practitioner contributions include guidelines on four AI capability development paths with associated risks and benefits and recommendations on assessing organisational and technological AI readiness, crossing the operationalisation chasm, and managing negative perceptions of AI.
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 | 0,018 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,021 |
| Études des sciences et des technologies | 0,015 | 0,003 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».