Artificial Intelligence Governance in Public Services to Accelerate Poverty Alleviation: Accountability Model and Oversight Mechanism for Indonesia
Notice bibliographique
Résumé
Background: Indonesian public administration is accelerating the use of artificial intelligence (AI) to improve social protection targeting. The legal and digital governance foundations are in place through SPBE and Satu Data regulations, complemented by the Data Protection Law, Public Information Law, and the PSTE regulation. Recent policy integrates Regsosek, DTKS and P3KE into a single national data basis (DTSEN) for beneficiary determination. Objective: This paper proposes an operational model of algorithmic accountability and multi?layer oversight for AI used in public services to accelerate poverty alleviation while protecting fundamental rights. Methods: A normative?doctrinal approach augmented by a targeted socio?legal case mapping is used, combining legal gap analysis and design?science techniques. The model is benchmarked against global practices (EU AI Act and FRIA, Canada’s AIA/DADM, the Netherlands’ Algorithm Register, the UK ATRS, and NIST AI RMF). Results: We outline a three?stage governance architecture—ex ante (mandatory AIA+FRIA for high?risk systems; legality, data quality and bias testing), in?process (human?in?the?loop at decision thresholds; logging/versioning; explainability), and ex post (reason?giving and appeal; algorithm register; periodic audits)—tightly linked to SPBE/Satu Data controls and the DTSEN pipeline. During the transition to a full PDP authority, external oversight is bridged by the Ombudsman and the Information Commission. Conclusion: The proposed model operationalizes administrative due process for AI?assisted decisions, strengthens transparency and accountability, and is expected to reduce inclusion/exclusion errors and improve exit and persistence rates above the poverty line. A 12?month implementation roadmap and measurable indicators are provided.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».