![Data4Gov](http://mindigital.gouvernement.lu/dam-assets/dossiers/data4gov.png/_jcr_content/renditions/thumb-xhdpi.png)
Einführung
Eine der Ambitionen des Ministeriums für Digitalisierung ist es, den Staat in Richtung eines datengetriebenen öffentlichen Sektors (data-driven public sector) voranzubringen, das heißt öffentliche Dienste, die Daten nutzen, um den Bürgern und Unternehmen besser zu dienen.In der Tat können Daten dem Staat helfen, die Bedürfnisse und das Verhalten der Bürger besser zu verstehen, was wiederum dazu führt, dass die Politik effektiver wird und die öffentlichen Dienstleistungen besser angepasst werden können. Darüber hinaus bereicherten die Sammlung und Analyse von Daten die Identifizierung von Trends und aufkommenden Herausforderungen, wodurch der Staat in der Lage ist, fundierte Entscheidungen zu treffen.
In diesem Zusammenhang ist es von entscheidender Bedeutung, einen kollaborativen Ansatz zu verfolgen und den gesamten öffentlichen Sektor einzubeziehen. Um dies zu erreichen, hat das Ministerium für Digitalisierung 2023 einen ersten Data4Gov-Projektaufruf gestartet, um Projekte des öffentlichen Sektors, die sich auf Daten konzentrieren, finanziell zu unterstützen und zu betreuen.
Ziel
Das Ziel der Data4Gov-Projektausschreibung ist es, Initiativen zu unterstützen, die zu einem datengetriebenen öffentlichen Sektor oder einer proaktiven Regierung (proactive government) führen. Dabei kann es sich zum Beispiel um Folgendes handeln:
- Datenerhebungsprojekte für den öffentlichen Sektor,
- oder auch Projekte zur Verbesserung der Datenbereitstellung (für Behörden, die breite Öffentlichkeit usw.).
Bei Projekten des sogenannten "datengetriebenen öffentlichen Sektors" handelt es sich um Initiativen, die darauf abzielen, die Entscheidungsfindung und die Leistung der verschiedenen staatlichen Behörden durch zugängliche, aktuelle und genaue Daten, die den Staatsagenten und Entscheidungsträgern zur Verfügung gestellt werden, zu optimieren.
Bei sogenannten "proactive government"-Projekten handelt es sich um Initiativen, die darauf abzielen, die Qualität und Effizienz öffentlicher Dienstleistungen zu verbessern, indem sie die Bedürfnisse der Bürger vorwegnehmen. Anstatt lediglich auf Bürgeranfragen zu reagieren, wird versucht, Schwierigkeiten zu erkennen, bevor sie kritisch werden, und Lösungen zu implementieren, bevor die Bürger sie einfordern.
Projekte
"Sproocherkennung fir d'Lëtzebuergescht"
Das "Zenter fir d'Lëtzebuerger Sprooch" (ZLS) hat den Prototyp schreifmaschinn.lu entwickelt, ein auf künstlicher Intelligenz basierendes Tool für Speech-to-Text in verschiedenen Sprachen, darunter auch Luxemburgisch. Das Data4Gov-Projekt "Sproocherkennung fir d'Lëtzebuergescht" erweitert den aktuellen hypersynchronisierten Text- und Audiodatensatz von 55 Stunden auf 80 Stunden, um die Leistung von schreifmaschinn.lu zu verbessern. Damit soll das neu generierte Trainingsmaterial einer doppelten Anforderung gerecht werden: Diversifizierung der Stimmen und Situationen einerseits und orthografische Präzision andererseits.
Beobachtungsstelle für digitale Barrierefreiheit
Der Informations- und Pressedienst der Regierung (SIP) ist mit der Überwachung der digitalen Zugänglichkeit der Websites und Anwendungen des öffentlichen Sektors in Luxemburg beauftragt. Die Beobachtungsstellewird eine barrierefreie Website sein, die eine Übersicht über die wichtigsten Indikatoren der digitalen Zugänglichkeit in Luxemburg sowie deren Entwicklung bietet, wie z. B. eine Rangliste der zugänglichsten Websites und Anwendungen mit Gold-, Silber- und Bronze-Siegeln, die auf einem Zugänglichkeits-Score basieren.
Auswertung synthetischer Daten
Das Projekt des Ministeriums für Forschung und Hochschulbildung besteht in der Entwicklung eines Algorithmus zur Generierung synthetischer Daten aus Mikrodaten. Diese synthetischen, völlig künstlichen Daten können dann ohne Risiko geteilt werden, und obwohl die synthetischen "Individuen" künstlich sind, kommen die aus den synthetischen Daten gewonnenen aggregierten Statistiken in der Praxis den aggregierten Statistiken, die man aus den realen Daten erhalten hätte, ziemlich nahe. So kann man also schnell experimentieren, sei es für statistische Studien oder für Machine-Learning-Zwecke.