@ARTICLE{10.21494/ISTE.OP.2018.0303, TITLE={Un outil de visualisation de données guidé par le contexte pour améliorer les services aux citoyens et les performances de gouvernance}, AUTHOR={Feras Batarseh, Jay Gendron, Rafael Laufer, Mythili Madhavaram, Abhinav Kumar, }, JOURNAL={Modélisation et utilisation du contexte}, VOLUME={2}, NUMBER={Numéro 1}, YEAR={2018}, URL={http://openscience.fr/Un-outil-de-visualisation-de-donnees-guide-par-le-contexte-pour-ameliorer-les}, DOI={10.21494/ISTE.OP.2018.0303}, ISSN={2514-5711}, ABSTRACT={Chaque jour, le gouvernement génère et consomme de grandes quantités de données. Les agences fédérales sont maintenant à la pointe de l’analyse du Big Data pour résoudre des problèmes tels que l’amélioration du service aux citoyens. La tranquillité domestique, la satisfaction de la clientèle, la transparence et la fourniture de services de qualité comptent parmi les nombreux objectifs critiques que la plupart des agences gouvernementales visent à atteindre grâce au service aux citoyens. Les gouvernements fédéral, d’état, des comtés et des villes sont constamment confrontés à un nombre impressionnant de demandes de citoyens, d’organisations, de chercheurs, de médias et de nombreuses autres entités. Les gouvernements sont toutefois constamment confrontés à des problèmes de responsabilité qui peuvent remettre en question leur rôle et leur efficacité. Cet article, grâce à la science des données et du contexte, introduit un nouveau moteur qui pourrait être utilisé par toute agence fédérale dans le but d’améliorer le service aux citoyens, d’évaluer les paramètres de performance et de fournir des indications pour améliorer les taux de satisfaction. Le modèle utilisé dans ce moteur (appelé iGPS) est déployé à travers un certain nombre de jeux de données de taille réelle. Les visualisations de données significatives et exploitables sont présentées aux employés fédéraux en fonction de leur contexte pour les aider dans leur prise de décision. Le modèle a été testé pour la première fois (à travers six ensembles de données gouvernementales provenant de 46 agences), des modèles d’apprentissage automatique sont développés, des visualisations sont réalisées, le système est déployé au gouvernement américain et les résultats expérimentaux sont enregistrés et présentés.}}