مشخصات مقاله | |
ترجمه عنوان مقاله | هوش داده ها و تحلیل: یک تحلیل کتابسنجی از هوش مصنوعی-انسان در تاثیر گذاری تصمیم گیری بخش دولتی |
عنوان انگلیسی مقاله | Data intelligence and analytics: A bibliometric analysis of human–Artificial intelligence in public sector decision-making effectiveness |
انتشار | مقاله سال 2022 |
تعداد صفحات مقاله انگلیسی | 17 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
مقاله بیس | این مقاله بیس میباشد |
نمایه (index) | Scopus – Master Journals List – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
8.593 در سال 2020 |
شاخص H_index | 117 در سال 2020 |
شاخص SJR | 2.226 در سال 2020 |
شناسه ISSN | 0040-1625 |
شاخص Quartile (چارک) | Q1 در سال 2020 |
فرضیه | ندارد |
مدل مفهومی | دارد، تصویر1 صفحه 4 |
پرسشنامه | ندارد |
متغیر | ندارد |
رفرنس | دارد |
رشته های مرتبط | مدیریت، مهندسی کامپیوتر |
گرایش های مرتبط | مدیریت سازمان های دولتی، مدیریت فناوری اطلاعات، هوش مصنوعی، علوم داده |
نوع ارائه مقاله |
ژورنال |
مجله | پیش بینی فناورانه و تحول اجتماعی – Technological Forecasting & Social Change |
دانشگاه | University of Naples “Parthenope”, Naples, Italy |
کلمات کلیدی | دو سو توانی، صنعت 4.0، هوش تجاری، کلان داده ها، سرمایه فکری، هوش انسان، مسئولیت و عملکرد |
کلمات کلیدی انگلیسی | Ambidexterity, Industry 4.0, Business intelligence, Big data, Intellectual capital, Human intellect, Accountability and performance |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.techfore.2021.121201 |
کد محصول | E15771 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract Keywords Introduction Theoretical background Methodology Bibliometric analysis and results Discussion Concluding remarks Declaration of Competing Interest Appendix. Supplementary materials References |
بخشی از متن مقاله: |
ABSTRACT This study investigates the literary corpus of the role and potential of data intelligence and analytics through the lenses of artificial intelligence (AI), big data, and the human–AI interface to improve overall decision-making processes. It investigates how data intelligence and analytics improve decision-making processes in the public sector. A bibliometric analysis of a database containing 161 English-language articles published between 2017 and 2021 is performed, providing a map of the knowledge produced and disseminated in previous studies. It provides insights into key topics, citation patterns, publication activities, the status of collaborations between contributors over past studies, aggregated data intelligence, and analytics research contributions. The study provides a retrospective review of published content in the field of data intelligence and analytics. The findings indicate that field research has been concentrated mainly on emerging technologies’ intelligence capabilities rather than on human–artificial intelligence in decision-making performance in the public sector. This study extends an ambidexterity theory in decision support, which enlightens how this ambidexterity can be encouraged and how it affects decision outcomes. The study emphasises the importance of the public sector adoption of data intelligence and analytics, as well as its efficiency. Furthermore, this study expands how researchers and practitioners interpret and understand data intelligence and analytics, AI, and big data for effective public sector decision-making. Introduction Technological breakthroughs have ushered in a new era for companies and governments over the last two decades (Amankwah-Amoah, 2017; You et al., 2019; Grover et al., 2020). Since 2011, the emergence of the Industry 4.0 paradigm has opened a new stage, defined as “The Fourth Industrial Revolution,” which leads to the digitisation of all industrial processes and the convergence and interconnection between the different aspects of manufacturing in various departments and functions (Rieple et al., 2012; Gursoy et al., 2019). |