Understanding Institutional Pressures of Artificial Intelligence Adoption in Indonesia Government: Study Case on Jabar Digital Services
Notice bibliographique
Résumé
The adoption of artificial intelligence (AI) in the public sector is catalyzing global digital transformation. In Indonesia, despite the policy push for digitization, AI implementation faces unique challenges influenced by the dynamics of institutional pressures. This study aims to uncover the influence of coercive, mimetic, and normative pressures on AI adoption in Jabar Digital Services (JDS) and identify barriers and opportunities that arise in the local context. Using a qualitative approach with a case study design, data were obtained through semi-structured interviews, focus group discussions, and analysis of official documents. Thematic analysis was conducted to identify key patterns that reflect institutional dynamics in AI implementation. The findings of this study reveal that the adoption of artificial intelligence (AI) in Jabar Digital Services (JDS) is driven by a complex synergy between three types of institutional pressures. Coercive pressure, reflected through political pressures and leadership role, is considered to strongly encourage AI adoption. On the other hand, mimetic pressure encourages JDS to adopt best practices from developed countries from the perspective of frameworks, case studies, and international AI maturity models. Meanwhile, normative pressure arising from the expectations of the five pillars of pentahelix stakeholders including academia, private sector, government, community, and media increases the urgency of AI adoption. The synergy between coercive, mimetic, and normative pressures not only drives digital transformation and contextual approaches in JDS. This research extends the understanding of institutional isomorphism theory in developing countries and provides strategic recommendations for policymakers to integrate global practices with contextual customization to achieve effective digital transformation.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».