Ciencia de datos en la evaluación del impacto de las políticas públicas: Una revisión de la literatura
Resumen
Lograr que las políticas públicas realmente logren resultados que mejoren la calidad de vida de las personas es un tema que siempre preocupa a los decisores públicos; más aún en un contexto de restricciones presupuestales como el que la mayoría de países atraviesa o atravesará en la situación de pospandemia. Por otro lado, la ciencia de datos, la inteligencia artificial, los datos abiertos y, en general, las tecnologías impulsadas por las grandes cantidades de datos cada día van ganando terreno en el ámbito de la gestión pública. El presente artículo tiene por objetivo conocer el estado actual de las investigaciones acerca de la interacción entre estos dos ámbitos, tomando como objeto de estudio la aplicación de la ciencia de datos a la evaluación del impacto de las políticas públicas, a fin de identificar los vacíos en la investigación existente. Luego de una revisión sistemática de la literatura, se encontró que el objeto de estudio propuesto no ha estado en el centro de la investigación académica. Lo que se ha investigado es el ciclo completo de desarrollo de políticas o la gestión pública en general. Se verificó también que esta interacción entre la cosa pública y la ciencia de datos aún es un campo emergente y, en opinión de muchos académicos, hacen falta investigaciones con una visión holística y con una mirada que vaya más allá de lo eminentemente técnico.
Descargas
Citas
Anisetti, M., Ardagna, C., Bellandi, V., Cremonini, M., Frati, F., & Damiani, E. (2018). Privacy aware Big Data Analytics as a service for public health policies in smart cities. Sustainable Cities and Society, 39, 68-77. https://doi.org/10.1016/J.SCS.2017.12.019
Arnaboldi, M., & Azzone, G. (2020). Data science in the design of public policies: dispelling the obscurity in matching policy demand and data offer. Heliyon, 6(6), e04300. https://doi.org/10.1016/J.HELIYON.2020.E04300
Astanakulov, O. (2020). National projects and government programmes: Functional algorithm for evaluating and modelling using the Data Science methodology. Economic Annals-XXI, 183(5-6), 51-59. https://doi.org/10.21003/EA.V183-05
Ballester, O. (2021). An artificial intelligence definition and classification framework for public sector applications. ACM International Conference Proceeding Series, 67-75. https://doi.org/10.1145/3463677.3463709
Bassolas, A., Ramasco, J. J., Herranz, R., & Cantú-Ros, O. G. (2019). Mobile phone records to feed activity-based travel demand models: MATSim for studying a cordon toll policy in Barcelona. Transportation Research Part A: Policy and Practice, 121, 56-74. https://doi.org/10.1016/J.TRA.2018.12.024
Casaccia, S., Revel, G. M., Cosoli, G., & Scalise, L. (2021). Assessment of domestic well-being: from perception to measurement. IEEE Instrumentation and Measurement Magazine, 24(6), 58-67. https://doi.org/10.1109/MIM.2021.9513641
del Río Castro, G., González Fernández, M. C., & Uruburu Colsa, Á. (2021). Unleashing the convergence amid digitalization and sustainability towards pursuing the Sustainable Development Goals (SDGs): A holistic review. Journal of Cleaner Production, 280(Part 1). https://doi.org/10.1016/J.JCLEPRO.2020.122204
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., … Williams, M. D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/J.IJINFOMGT.2019.08.002
Engin, Z., & Treleaven, P. (2019). Algorithmic government: Automating public services and supporting civil servants in using data science technologies. The Computer Journal, 62(3), 448-460. https://doi.org/10.1093/COMJNL/BXY082
Knüsel, B., Baumberger, C., Zumwald, M., Bresch, D. N., & Knutti, R. (2020). Argument-based assessment of predictive uncertainty of data-driven environmental models. Environmental Modelling and Software, 134. https://doi.org/10.1016/J.ENVSOFT.2020.104754
Kostoska, O., & Kocarev, L. (2019). A novel ICT framework for sustainable development goals. Sustainability, 11(7). https://doi.org/10.3390/SU11071961
Kuziemski, M., & Misuraca, G. (2020). AI governance in the public sector: Three tales from the frontiers of automated decision-making in democratic settings. Telecommunications Policy, 44(6). https://doi.org/10.1016/j.telpol.2020.101976
Lin, T., Liu, X., Song, J., Zhang, G., Jia, Y., Tu, Z., Zheng, Z., & Liu, C. (2018). Urban waterlogging risk assessment based on internet open data: A case study in China. Habitat International, 71, 88-96. https://doi.org/10.1016/j.habitatint.2017.11.013
Manny, L., Duygan, M., Fischer, M., & Rieckermann, J. (2021). Barriers to the digital transformation of infrastructure sectors. Policy Sciences, 54, 943-983. https://doi.org/10.1007/S11077-021-09438-Y
Pi, Y. (2021). Machine learning in Governments: Benefits, challenges and future directions. EJournal of EDemocracy and Open Government, 13(1), 203-219. https://doi.org/10.29379/JEDEM.V13I1.625
Shah, S. I. H., Peristeras, V., & Magnisalis, I. (2021). Government Big Data Ecosystem: Definitions, types of data, actors, and roles and the impact in public administrations. Journal of Data and Information Quality, 13(2), 1-25. https://doi.org/10.1145/3425709
Valle-Cruz, D., Criado, J. I., Sandoval-Almazán, R., & Ruvalcaba-Gomez, E. A. (2020). Assessing the public policy-cycle framework in the age of artificial intelligence: From agenda-setting to policy evaluation. Government Information Quarterly, 37(4). https://doi.org/10.1016/J.GIQ.2020.101509
van der Voort, H. G., Klievink, A. J., Arnaboldi, M., & Meijer, A. J. (2019). Rationality and politics of algorithms. Will the promise of big data survive the dynamics of public decision making? Government Information Quarterly, 36(1), 27-38. https://doi.org/10.1016/J.GIQ.2018.10.011
Victorino, M., de Holanda, M. T., Ishikawa, E., Oliveira, E. C., & Chhetri, S. (2018). Transforming open data to linked open data using ontologies for information organization in big data environments of the Brazilian Government: The Brazilian Database Government Open Linked Data DBgoldbr. Knowledge Organization, 45(6), 443-466. https://doi.org/10.5771/0943-7444-2018-6-443
Zhang, Y., Porter, A. L., Cunningham, S., Chiavetta, D., & Newman, N. (2021). Parallel or intersecting lines? Intelligent bibliometrics for investigating the involvement of data science in policy analysis. IEEE Transactions on Engineering Management, 68(5), 1259-1271. https://doi.org/10.1109/TEM.2020.2974761
Derechos de autor 2022 Interfases
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
Última actualización: 03/05/21