Zeitgenössische e-Regierungsdesigns integrieren maschinelles Lernen, das eine Kommunikation zwischen Maschinen ermöglicht. In einem solchen Szenario sind Maschinen in der Lage, Entscheidungen zu treffen, indem sie große Datenmengen und Richtlinien analysieren, um kohärente Entscheidungen zu treffen. Traditionelle maschinelles Lernen (ML) Modelle wurden in große Sprachmodelle (LLMs) integriert, um die Entscheidungsfindung von Individuen in Wertschöpfungsketten der öffentlichen Dienstleistung nachzuahmen. Dieses Papier untersucht eine nicht-traditionelle Ausrichtung des maschinellen Lernens unter Verwendung eines stark statistischen Ansatzes. Das Papier bietet Baseline-statistische Modelle, die in LLMs in e-Regierungsplattformen und Lösungsdesigns integriert werden könnten. Es wird gehofft, dass statistische Ansätze zum ML unter Verwendung von LLMs zukünftige Forschung und praktische Gestaltung von e-Regierungslösungen ermöglichen können. Angesichts der Tatsache, dass zeitgenössische e-Regierungssysteme auf datenzentrierte Designs ausgerichtet sind, ist es wichtig, datenzentrierte Designs zu erforschen, um öffentliche Dienstleistungsökosysteme auf der Grundlage von Daten zu schaffen.
Bwalya Kelvin Joseph (Thu,) hat diese Frage untersucht.