From Audit to Algorithm: Ethical Challenges of AI Inclusion in Public Tax Administration
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
Globally, taxes are the unarguable lifeblood of a government body, instrumental in providing essential revenue to fund public welfare programs, building and maintaining critical infrastructure, and social welfare programs critical to societal stability and progress.[1]For decades, the public tax administration relied on human tax auditors to review returns, conduct interviews, and apply judgment within legal boundaries [2].The fast-paced adoption of artificial intelligence (AI) in public tax administration resulted in unprecedented efficiency in revenue collection, fraud detection, and compliance monitoring [3][4].A fast-changing department with some level of resistance to the change-from traditional human-led audits to algorithm-driven decision systems-it also raises profound ethical questions [5].This article examines the transition through three lenses: fairness and bias, transparency and accountability, and privacy versus surveillance.Drawing on a few global case studies from the Netherlands, Canada, and India [6][7][8], this paper argues that while AI can bring efficiencies via reducing administrative costs and close taxation gaps and targets, unanswered ethical risks threaten public trust and democratic legitimacy [9].Artificial intelligence (AI) promises transformative efficiency in tax administration, yet its deployment risks amplifying bias, eroding privacy, and undermining public trust if not guided by rigorous ethical safeguards.This paper proposes a policy framework rooted in human-centered values, fairness, transparency, robustness, and accountability-aligned with ISO/IEC 42001:2023 [11] and ISO/IEC 22989:2022 [12]to ensure AI serves taxpayers equitably while enhancing compliance and operational integrity.[11][12] Drawing on U.S. federal findings, international standards, and practical tools such as AI impact assessments, threat modeling (e.g., STRIDE), and the TRUST principles (Fairness, Accountability, Transparency, Privacy, Inclusivity), the framework outlines a lifecycle-based governance model tailored to tax contexts.[13][14] Key recommendations include mandatory bias audits, human-in-the-loop oversight for highstakes decisions, public model registries, and regulatory sandboxes for low-risk testing.[15][16] An implementation roadmap with phased milestones and measurable KPIs demonstrates feasibility, illustrated through global benchmarks from Sweden, Australia, and Brazil.[17][18][19] By embedding these principles, tax authorities can harness AI's potential to reduce administrative burdens, minimize disparate impacts, and foster societal trust in digital governance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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