MACHINE LEARNING TRAMITES DE GESTION PUBLICA, UNA REVISIÓN DE LA BIBLIOGRAFÍA SCOPUS 2015 -2025

Autores

• Guillermo Eugenio Merino Hurtado iD UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
• Lorenza Morales Alvarado iD Universidad Continental
• Alberto Álvarez López iD Universidad Continental
• Jimmy Ronald Riojas Rivera iD Universidad Continental

Resumo

El capítulo analiza el uso de técnicas de machine learning en los trámites de gestión pública mediante una revisión de la producción científica indexada en Scopus durante el período 2015–2025. A partir del examen de artículos académicos, se identifican enfoques que exploran la aplicación del aprendizaje automático en la automatización de procesos administrativos, la mejora de la toma de decisiones y la eficiencia en la provisión de servicios públicos. La literatura revisada destaca que estas tecnologías contribuyen a optimizar los tiempos de atención, reducir errores en el tratamiento de la información y fortalecer las capacidades analíticas de las instituciones públicas en ámbitos como la fiscalización, la gestión de recursos y la interacción con los ciudadanos. Sin embargo, los estudios también advierten sobre desafíos significativos relacionados con la transparencia algorítmica, la calidad y gobernanza de los datos, así como con riesgos asociados a la seguridad, la privacidad y la presencia de sesgos en los modelos. En consecuencia, se concluye que, aunque el machine learning ofrece un alto potencial para la modernización de la gestión pública, su adopción efectiva requiere marcos regulatorios adecuados, capacidades técnicas e institucionales, y mecanismos de control que aseguren la rendición de cuentas y la confianza pública.

Palavras-chave

Machine learning; gestión pública; automatización administrativa; gobierno digital

Licença

Este capítulo está sob a Licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional .

O conteúdo do capítulo, seus dados, forma, correção e confiabilidade são de responsabilidade exclusiva do(s) autor(es). É permitido o download e o compartilhamento, desde que pela origem e no formato Acesso Livre (Open Access), com os devidos créditos e a citação atribuídos ao(s) respectivo(s) autor(es). Não é permitida qualquer alteração, catalogação em plataformas de acesso restrito ou utilização para fins comerciais. O(s) autor(es) mantém os direitos autorais do texto.