Artificial intelligence (AI) in the public service: Public administrator perspectives on leveraging AI to support citizen and stakeholder engagement
Notice bibliographique
Résumé
The rapid advance of digital technologies offers enhanced methods for engaging citizens and stakeholders in public policy formation. However, one downside of digital engagement is an increase in the volume of external feedback that can overwhelm public servants and political decision makers. One potential solution lies in Natural Language Processing (NLP), a branch of artificial intelligence (AI) that can automatically filter, parse, understand, interpret, and synthesize large amounts of human language. This research assesses the potential of AI for managing the anticipated flood of citizen and stakeholder inputs from digital engagement exercises, and if public administrators find such tools valuable. Twelve Canadian public administrators from across three provinces, all having experience in citizen engagement, participated in semi-structured interviews. The findings reveal that public servants see potential benefits in the careful application of AI to assessing citizen and stakeholder engagement feedback by adjusting the workload of analyzing public input to focus more on meaningful public interaction and service improvement. However, significant concerns were expressed around data privacy, data security, algorithmic bias, and the reliability of outputs from machine analysis. A lack of AI literacy, risk-averse public sector cultures, and dated IT infrastructures were seen as key barriers. Participants emphasized: the need for continued human oversight and judgement in interpreting AI-generated assessments; engaging citizens and stakeholder, and politicians, in shaping AI deployment to strengthen trust and legitimacy; and partnering with technology providers and experts to develop AI solutions that align with public sector values and priorities. Keywords: citizen engagement, public participation, public consultation, artificial intelligence (AI), natural language processing (NLP), generative AI (GenAI), data privacy, algorithmic bias, public trust, human-AI collaboration
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 | 0,027 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,049 | 0,070 |
| Communication savante | 0,033 | 0,012 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,007 | 0,015 |
| 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 ».