Percepción de la inteligencia artificial en la lucha contra la corrupción: una exploración al caso del Estado de Colombia
Bibliographic record
Abstract
Este artículo examina la percepción y la efectividad de la inteligencia artificial (IA) como herramienta para combatir la corrupción en organizaciones públicas, evaluando su capacidad para fortalecer dimensiones clave como datos, tecnología, recursos humanos y habilidades organizacionales. Además, se propone un marco para la implementación ética y eficiente de estas tecnologías en el sector público. La metodología del estudio incluye un análisis bibliométrico realizado con VOS-viewer, que ofrece una visión comprehensiva de las tendencias de investigación, identificando las principales áreas de enfoque y las interrelaciones entre conceptos fundamentales como inteligencia artificial, corrupción, ética en la toma de decisiones, gobierno digital e interoperabilidad. Complementariamente, se aplicó un instrumento cuantitativo a 87 egresados de programas de gobierno, estructurado en cinco dimensiones: datos, tecnología, recursos básicos, habilidades humanas y capacidades intangibles. Los promedios agregados por dimensiones revelan los siguientes resultados: datos (3,7), ética (3,6), entidad organizacional (2,8), talento humano (2,5), liderazgo directivo (2,4) e inteligencia artificial (1,9). Notablemente, el 100% de los encuestados considera necesario desarrollar más herramientas tecnológicas de IA para combatir la corrupción, subrayando la importancia de estas tecnologías en la mejora de la transparencia y la eficiencia administrativa. Las conclusiones destacan la necesidad de que el Estado colombiano continúe desarrollando iniciativas tecnológicas respaldadas por marcos normativos y éticos a nivel nacional y territorial, así como fortalecer la formación y capacitación de la ciudadanía y los funcionarios públicos en temas de transparencia y lucha contra la corrupción. Este estudio contribuye a la literatura existente al proporcionar evidencia empírica sobre el potencial de la IA en la lucha contra la corrupción y al ofrecer recomendaciones prácticas para su implementación efectiva y ética en el sector público.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.010 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".