A framework for automating e-government services based on artificial intelligence | ||
| Journal of Engineering Management and Soft Computing | ||
| مقاله 7، دوره 9، شماره 2 - شماره پیاپی 17، بهمن 2023، صفحه 106-118 اصل مقاله (1.86 M) | ||
| نوع مقاله: Original Article | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2024.9256.1171 | ||
| نویسندگان | ||
| Ali Sarabadani1؛ Mahrdad Saffarie1؛ Kheirollah RahseparFard* 2 | ||
| 1Phd student of Information Technology (IT) Engineering, e-commerce , Department of Computer Engineering and Information Technology, Faculty of Technology and Engineering, Qom University | ||
| 2Assistant Prof. Department of Computer Engineering and Information Technology,Faculty of Technology and Engineering, Qom University | ||
| چکیده | ||
| Electronic government refers to the provision of continuous government information and services to people through the Internet or other digital methods. The electronic government revolution has the ability to transform the public sector and re-establish the relationship between the government and citizens, a revolution that would have been almost ineffective without the element called artificial intelligence. One of the biggest developments of the last few years can be called the launch of e-government by artificial intelligence all over the world. In this paper, we address the challenges of e-government systems and propose a framework that uses artificial intelligence. In the next step, we present an intelligent e-government database architecture that supports the development and implementation of e-government artificial intelligence applications. The main goal is to use reliable artificial intelligence techniques in advancing the current state of e-government. Services to minimize processing time, reduce costs and improve citizen satisfaction. | ||
| کلیدواژهها | ||
| Artificial intelligence؛ Deep learning؛ Electronic government؛ Information technology؛ Web service | ||
| عنوان مقاله [English] | ||
| ارائه چارچوبی برا ی خودکارسازی خدمات دولت الکترونیک مبتنی بر هوش مصنوعی | ||
| نویسندگان [English] | ||
| علی سرآبادانی1؛ مهرداد صفاریه1؛ خیراله رهسپارفرد2 | ||
| 1دانشجوی دکترای مهندسی فناوری اطلاعات(IT) گرایش تجارت الکترونیک، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم | ||
| 2استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه قم | ||
| چکیده [English] | ||
| دولت الکترونیک به ارائه اطلاعات و خدمات دولتی پیوسته از طریق اینتترنت یا سایر روش های دیجیتال به مردم، اطلاق میگردد. انقلاب دولت الکترونیک قابلیت آن را دارد تا بخش دولتی را تغییر شکل دهد و رابطه میان دولت و شهروندان را از نو پایه ریزی نماید انقلابی که بدون وجودعنصری به نام هوش مصنوعی تقریبا فاقد کارآیی لازم میشد. یکی از بزرگترین پیشرفت های این چند سال اخیر را میتوان راه اندازی دولت الکترونیک بوسیله ی هوش مصنوعی در سراسر جهان نام برد. در این مقاله، ما به چالشهای سیستمهای دولت الکترونیک میپردازیم و چارچوبی را پیشنهاد میکنیم که از هوش مصنوعی استفاده میکند. در مرحله بعد یک معماری پایگاه دولت الکترونیک هوشمند را ارائه می دهیم که از توسعه و اجرای برنامه های کاربری هوش مصنوعی دولت الکترونیک حمایت کند. هدف اصلی استفاده از تکنیک های قابل اعتماد هوش مصنوعی در پیشبرد وضعیت فعلی دولت الکترونیک است. خدماتی به منظور به حداقل رساندن زمان پردازش، کاهش هزینه ها و بهبود رضایت شهروندان. | ||
| کلیدواژهها [English] | ||
| دولت الکترونیک, فناوری اطلاعات, وب سرویس, هوش مصنوعی, یادگیری عمیق | ||
| مراجع | ||
|
-Zhang, K., Zuo, W., Chen, Y., Meng, D., & Zhang, L. (2017). Beyond a gaussian denoiser: Residual learning of deep cnn for image denoising. IEEE transactions on image processing, 26(7), 3142-3155. https://doi.org/10.48550/arXiv.1608.03981 -Zhang, Y. D., Zhang, Y., Hou, X. X., Chen, H., & Wang, S. H. (2018). Seven-layer deep neural network based on sparse autoencoder for voxelwise detection of cerebral microbleed. Multimedia Tools and Applications, 77, 10521-10538. DOI: https://doi.org/10.1007/s11042-017-4554-8 -Venugopalan, S., Xu, H., Donahue, J., Rohrbach, M., Mooney, R., & Saenko, K. (2014). Translating videos to natural language using deep recurrent neural networks. arXiv preprint arXiv:1412.4729. https://doi.org/10.48550/arXiv.1412.4729 -Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van Den Driessche, G., ... & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. nature, 529(7587), 484-489. DOI: https://doi.org/10.1038/nature16961 -Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer. DOI: https://doi.org/10.1016/j.ejor.2011.02.001 -LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521 (7553), 436-444. Google Scholar Google Scholar Cross Ref Cross Ref, 25. https://doi.org/10.1016/j.ecolind.2024.111704 -Abowd, G. D., Dey, A. K., Brown, P. J., Davies, N., Smith, M., & Steggles, P. (1999). Towards a better understanding of context and context-awareness. In Handheld and Ubiquitous Computing: First International Symposium, HUC’99 Karlsruhe, Germany, September 27–29, 1999 Proceedings 1 (pp. 304-307). Springer Berlin Heidelberg. (DOI): https://doi.org/10.22059/IMJ.2016.61711 -Jajodia, S., & van Tilborg, H. C. (Eds.). (2011). Encyclopedia of Cryptography and Security: L-Z. Springer. DOI: https://doi.org/10.1016/j.eswa.2019.06.039 -Mellouli, S., Luna-Reyes, L. F., & Zhang, J. (2014). Smart government, citizen participation and open data. Information Polity, 19(1-2), 1-4. doi.org/10.4102/sajems.v21i1.1717 -Kankanhalli, A., Charalabidis, Y., & Mellouli, S. (2019). IoT and AI for smart government: A research agenda. Government Information Quarterly, 36(2), 304-309. https://doi.org/10.1016/j.giq.2019.02.003 -United Nation E-Government Survey. Accessed: Jul. 2019. [Online]. Available: https://publicadministration.un.org/egovkb/en-us/Reports/UNE-Government-Survey-2018. https://doi.org/10.1016/j.giq.2019.02.003 -NEOM. Accessed: Aug. 2019. [Online]. Available: https://www.neom.com/ -Arab Digital Technologies for Development Report. Accessed: Jul. 2019. [Online]. Available: https://sdg.iisd.org/news/escwa-reviews-applicationof-digital-technologies-for-sdgs-in-arab-region/ https://doi.org/10.1016/j.giq.2019.02.003 -K. S. Soliman and J. F. Affisco, ‘‘E-government: A strategic operations management framework for service delivery,’’ Bus. Process Manage. J., to be published. DOI: https://doi.org/10.1108/14637150610643724 -Shi, B., Bai, X., & Yao, C. (2016). An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. IEEE transactions on pattern analysis and machine intelligence, 39(11), 2298-2304. DOI: https://doi.org/10.1108/14637150610643724 -Hussein, D. M. E. D. M. (2018). A survey on sentiment analysis challenges. Journal of King Saud University-Engineering Sciences, 30(4), 330-338. DOI: https://doi.org/10.1108/14637150610643724 -Arabic Products Reviews Dataset. Accessed: May 2019. [Online]. Available: https://github.com/hadyelsahar/large-arabic-sentimentanalysis-resouces. DOI: https://doi.org/10.1108/14637150610643724
| ||
|
آمار تعداد مشاهده مقاله: 900 تعداد دریافت فایل اصل مقاله: 666 |
||