B2G Cloud Intelligence ni jukwaa la uigaji na usaidizi wa maamuzi linalotegemea wingu na kusaidiwa na akili bandia, lililoundwa kufundisha kwa njia ya uzoefu mifumo ya taarifa ya Business-to-Government (B2G), uchanganuzi jumuishi wa data, utambuzi wa mapengo ya sera na uundaji wa mapendekezo yanayotegemea ushahidi katika elimu ya juu. Subagyo na wenzake walitathmini jukwaa hilo kwa wanafunzi waliokuwa wakisoma Management Information Systems katika Universitas Negeri Malang nchini Indonesia kwa muundo wa majaribio wa wiki nne wa kundi moja wa pre-test–post-test. Mwanzoni wanafunzi 72 walishiriki, na kutokana na data pungufu matokeo ya wanafunzi 68 yalichanganuliwa. Alama ya jumla ya kujifunza iliongezeka kutoka 60,3 hadi 81,7, tofauti ya wastani ilikuwa alama 21,4, faida iliyosanifishwa kwa wastani ilikuwa 0,54 na ukubwa wa athari wa jumla wa Cohen's dz uliripotiwa kuwa 2,49. Hata hivyo, kwa kuwa hakukuwa na kundi la udhibiti, ongezeko hili haliwezi kufasiriwa kama athari ya kisababishi inayotokana na matumizi ya jukwaa pekee.

Jukwaa linaunganisha kazi kuu sita katika mtiririko mmoja wa kujifunza wa B2G: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis na Policy Map. Wanafunzi kwanza huchunguza viashiria na vyanzo vya data vya senario, kisha hufasiri matatizo ya sera, hutathmini njia mbadala zinazosaidiwa na AI, hutambua mapengo kati ya hali ya sasa na hali inayolengwa, na hatimaye huunda Policy Map inayotegemea ushahidi.

Katika dodoso la urahisi wa matumizi linalotegemea Technology Acceptance Model, wastani wa jumla ulikuwa 4,22/5. Manufaa yanayotambulika yalikuwa 4,31, urahisi wa matumizi 4,08, ushiriki katika kujifunza 4,27 na ubora wa usaidizi wa maamuzi 4,22. Alama ya jumla ya tathmini ya Gap Analysis Report, Policy Map na Project Reflection katika kiwango cha kikundi ilikuwa 86,1/100.

Utafiti unatoa ushahidi wa majaribio kwamba jukwaa linaweza kuonyesha mabadiliko chanya ya pre/post yanayohusishwa na umahiri wa msingi wa utawala wa kidijitali, ujumuishaji wa data, uchanganuzi wa sera na uundaji wa mapendekezo yanayotegemea ushahidi katika elimu ya juu. Kwa upande mwingine, utayari wa soko la ajira, utendaji wa kitaaluma, ufanisi wa sekta ya umma au matokeo ya uchumi mpana hayakupimwa moja kwa moja.

Tatizo kuu la utafiti

Mwingiliano wa kidijitali kati ya sekta ya umma na biashara hauhitaji tu matumizi ya kiolesura cha programu; unahitaji pia kuunganisha vyanzo tofauti vya data, kuelewa mahusiano kati ya taasisi na wadau, kutambua mapengo ya sera na kuunda maamuzi yanayotegemea ushahidi. Hoja ya kuanzia ya chanzo ni kwamba ufundishaji wa jadi wa Management Information Systems mara nyingi huwasilisha mahusiano haya changamano kama vipengele tofauti vya kiteknolojia au visa vilivyoandikwa, na hivyo fursa ya wanafunzi kupata uzoefu wa mchakato jumuishi wa kufanya maamuzi inaweza kubaki kuwa ndogo.

Katika muktadha wa B2G, meneja anapaswa kuelewa si tu jinsi mfumo unavyofanya kazi kiufundi, bali pia data imetoka katika taasisi gani, inawakilisha tatizo gani la sera, inaathiri wahusika gani na matokeo ya uchanganuzi yanageuzwaje kuwa pendekezo. Kwa sababu hiyo, utafiti unaweka uigaji unaotegemea wingu kama chombo cha kukuza mtaji wa binadamu na umahiri wa msingi wa utawala wa kidijitali.

B2G Cloud Intelligence ni nini?

B2G Cloud Intelligence ni uigaji wa elimu na usaidizi wa maamuzi unaotegemea wingu unaowaongoza wanafunzi kupitia hatua za ugunduzi wa data, ujumuishaji, ufafanuzi wa sera, uundaji wa njia mbadala unaosaidiwa na AI, uchanganuzi wa pengo na uzalishaji wa Policy Map katika muktadha wa mfumo wa taarifa wa B2G; uamuzi wa mwisho hubaki kwa mwanafunzi na mhadhiri.

Muktadha wa Business-to-Government

Business-to-Government (B2G) ni muktadha wa mwingiliano unaojumuisha taarifa, huduma, udhibiti, data na michakato ya maamuzi kati ya biashara na taasisi za umma. Katika senario za kielimu zilizotumiwa katika chanzo, mahitaji ya huduma za umma, data za biashara, viashiria vya sera, mahitaji ya watumiaji na majukumu ya wadau huzingatiwa kwa pamoja.

Wanafunzi huwekwa katika nafasi ya mchambuzi wa mfumo na mfanya maamuzi ili, badala ya kuchagua tu kipengele sahihi cha kiufundi, waelewe mnyororo ufuatao:

muktadha wa tatizo → data → mdau → pengo la sera → maelezo mbadala → pendekezo.

Mfumo wa dhana wa kujifunza

Katika Kielelezo 1 cha chanzo, muundo wa dhana wa B2G Cloud Intelligence unawasilishwa katika hatua nne kuu.

1. Ingizo: wanafunzi wa usimamizi, somo la Management Information Systems, senario ya B2G na data za umma/biashara.
2. Jukwaa la B2G Cloud Intelligence: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis na Policy Map.
3. Mchakato wa kujifunza kwa uzoefu: ugunduzi, uchanganuzi wa tatizo, mjadala wa timu, kufanya maamuzi na tafakari.
4. Matokeo ya kujifunza: kuelewa mifumo ya taarifa ya B2G, uchanganuzi wa data, kuunda pendekezo la sera, utatuzi wa matatizo kwa ushirikiano na tafakari ya mradi.

Muundo huu unatofautisha jukwaa na mfumo wa usimamizi wa kujifunza unaowasilisha maudhui pekee. Jukumu la mwanafunzi si kusoma tu nyenzo alizopewa, bali kujenga mnyororo wa data na maamuzi ndani ya senario.

Moduli sita za msingi

Je, AI Consultant hufanya maamuzi badala ya wanafunzi?

Hapana. Katika chanzo, AI Consultant haijawekwa kama mfanya maamuzi anayejitegemea, bali kama chombo cha scaffolding kinachosaidia kueleza tatizo na kuzalisha mapendekezo mbadala; wanafunzi wanapaswa kuthibitisha matokeo ya AI kwa kutumia matokeo ya Data Integration, Policy Insight na Gap Analysis, na wahadhiri wanapaswa kusimamia mantiki na uthabiti wa mapendekezo.

Kwa nini usimamizi wa binadamu ni wa msingi?

Utafiti hauwasilishi muundo unaoruhusu matokeo ya AI kutumiwa moja kwa moja kama jibu la mwisho. Wanafunzi walilinganisha mapendekezo kutoka AI Consultant na viashiria vilivyopo pamoja na muktadha wa senario. Wahadhiri walitathmini uhusiano, mantiki na uthabiti wa mapendekezo wakati wa mijadala ya vikundi na mawasilisho.

Lengo la muundo huu ni mwanafunzi kuhoji msingi wa data na sera wa pendekezo, badala ya kunakili kwa njia tulivu pendekezo lililopatikana kutoka AI. Chanzo kinajadili mchango wa AI hasa katika muktadha wa kuharakisha ugunduzi na scaffolding ya kiutambuzi.

Hata hivyo, chanzo hakiripoti maelezo ya kiufundi kama modeli mahususi ya AI au large language model inayofanya kazi chini ya AI Consultant, toleo, mtoa huduma, API, kiolezo cha prompt au usanidi wa inference. Kwa hiyo, taarifa zote za kiufundi zinazohitajika ili kuzalisha upya kipengele cha AI kwa usahihi katika kiwango cha programu hazipatikani katika makala.

Usanifu wa mfumo

Kielelezo 2 cha chanzo kinaonyesha jukwaa kama usanifu wa tabaka:

Kielelezo kinaonyesha kwamba jukwaa si skrini moja ya kuwasilisha data; limeundwa kama mfumo wa kujifunza unaounganisha mwingiliano wa mtumiaji, huduma za uchanganuzi, tabaka la data na michakato ya tathmini.

Maswali ya utafiti

Chanzo kinaweka maswali mawili makuu ya utafiti. Swali la kwanza ni jinsi B2G Cloud Intelligence ilivyoundwa na kutekelezwa kama uigaji unaosaidiwa na akili bandia na unaotegemea wingu ili kusaidia uwezo wa utawala wa uchumi wa kidijitali. Swali la pili ni kiwango ambacho mabadiliko yalionekana katika viashiria vya ujuzi wa kidijitali, ujumuishaji wa data, uchanganuzi wa sera na kufanya maamuzi kwa kutegemea ushahidi baada ya wanafunzi kutumia jukwaa.

Sehemu ya pili ya maswali haya si sawa na swali “je, jukwaa linaongeza utendaji wa kitaaluma wa wanafunzi?” Utafiti haukufanywa kwa maafisa halisi wa umma au wataalamu katika soko la ajira.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti ulitumia muundo wa majaribio wa tathmini wa kundi moja wa pre-test–post-test. Alama za wanafunzi wale wale kabla na baada ya uigaji zililinganishwa. Kwa kuwa hakukuwa na kundi la udhibiti, mabadiliko yaliyoonekana yanahusiana kwa muda na jukwaa; hayawezi kubainishwa kuwa athari iliyosababishwa na jukwaa pekee.

Washiriki

Utaratibu wa wiki nne

Utafiti uliendeshwa kwa wiki nne kwa vipindi viwili kwa wiki.

Pre-test na post-test zilipima umahiri gani?

Viashiria vitano vilitumika:

1. kuelewa mtiririko wa mfumo wa taarifa wa B2G,
2. kuelewa usanifu wa mfumo unaotegemea wingu,
3. uchanganuzi wa ujumuishaji wa data,
4. uchanganuzi wa sera,
5. usanifu wa mfumo na kufanya maamuzi.

Chanzo kinasema uhalali wa maudhui ya vipengele ulipitiwa na wataalamu wa mifumo ya taarifa ya usimamizi, utawala wa kidijitali na tathmini ya kielimu. Hata hivyo, idadi ya wataalamu, idadi ya vipengele na mgawo tofauti wa kiasi wa uhalali wa maudhui havikuripotiwa.

Faida iliyosanifishwa

Chanzo kinaeleza mabadiliko ya kujifunza kwa tofauti ya alama ghafi pamoja na faida iliyosanifishwa:

\[ g = \frac{\text{post-test puanı}-\text{pre-test puanı}} {\text{maksimum puan}-\text{pre-test puanı}} \]

Katika uainishaji wa chanzo, \(g<0{,}30\) ni faida ya chini, \(0{,}30\leq g\leq0{,}70\) ni ya kati na \(g>0{,}70\) ni ya juu. Kwa kuwa wastani wa jumla wa utafiti ni \(g=0{,}54\), chanzo kinaainisha hii kama faida iliyosanifishwa ya kiwango cha kati.

Wastani wa pre-test na post-test

Ongezeko kubwa zaidi la alama ghafi lilionekana katika kiashiria cha uchanganuzi wa sera: kutoka 62,1 hadi 84,3, yaani alama 22,2.

Ulinganisho wa takwimu

Je, ongezeko la alama 21,4 linathibitisha athari ya kisababishi ya jukwaa?

Hapana. Ingawa tofauti ya alama 21,4 kati ya pre-test na post-test ni dhahiri kitakwimu, kwa kuwa hakukuwa na kundi la udhibiti, maelezo mbadala kama maendeleo ya kawaida ya somo, athari ya kufanya mtihani mara kwa mara, mwongozo wa mhadhiri, mjadala wa kikundi na kuzoea mada kadiri muda unavyopita hayawezi kuondolewa.

Ukubalifu wa mtumiaji unaotegemea TAM

Dokezo la kategoria ndani ya chanzo: sehemu ya mbinu inafafanua kiwango cha 3,41–4,20 katika kipimo cha 1–5 Likert kuwa “good” na 4,21–5,00 kuwa “very good”. Hata hivyo, katika Jedwali 3 la chanzo, thamani zilizo juu ya 4,21 zimewekewa lebo “Excellent”. Verianla huhifadhi matokeo ya nambari kama yalivyo na haiunganishi kimya kimya mifumo miwili tofauti ya kategoria za maneno.

Chanzo kinasema uchanganuzi wa uthabiti wa ndani kwa kutumia Cronbach's alpha ulifanywa kwa kipimo cha TAM; hata hivyo, mgawo wa nambari wa Cronbach alpha haukuripotiwa katika sehemu ya matokeo. Kwa hiyo, thamani mpya kuhusu uthabiti wa ndani wa kipimo haiwezi kutengenezwa.

Tathmini ya matokeo ya mradi katika kiwango cha kikundi

Alama hizi si wastani wa alama binafsi za rubriki za wanafunzi 68. Kwa kuwa Policy Map, Gap Analysis Report na Project Reflection zilitayarishwa kwa pamoja na vikundi 12 vya kazi, matokeo yanapaswa kufasiriwa kama ubora wa matokeo ya uchanganuzi katika kiwango cha kikundi.

Kwa nini kumbukumbu za matumizi ya jukwaa hazikuingia katika modeli ya matokeo?

Kumbukumbu za mwingiliano wa Helicopter View, Data Integration, AI Consultant, Policy Insight, Gap Analysis na Policy Map zilihifadhiwa kama data za kusaidia; hata hivyo, chanzo hakikuchanganua kumbukumbu hizi kama seti iliyokamilika ya data za kiasi. Kwa hiyo, hitimisho za uhusiano kama “wanafunzi waliotumia AI Consultant mara nyingi zaidi waliendelea zaidi” au kwamba moduli fulani ilieleza ongezeko la alama haziwezi kutolewa kutoka katika utafiti huu.

Matokeo yanayoungwa mkono na utafiti

• Baada ya utekelezaji wa wiki nne, wastani wa alama za wanafunzi wale wale uliongezeka katika maeneo yote matano ya msingi ya umahiri.
• Tofauti ya jumla ya pre/post ilikuwa alama 21,4 na iliripotiwa kuwa p<0,001 katika ulinganisho uliopangwa kwa jozi.
• Ukubwa wa athari wa jumla wa Cohen's dz umetolewa katika chanzo kuwa 2,49.
• Faida iliyosanifishwa kwa wastani ni 0,54 na iko katika kategoria ya faida ya kati ya chanzo.
• Wanafunzi walitoa alama za juu kwa vipimo vya manufaa, ushiriki na usaidizi wa maamuzi wa jukwaa.
• Vikundi 12 vya wanafunzi vilizalisha Gap Analysis Report, Policy Map na Project Reflection kwa wastani wa 86,1/100.
• AI Consultant ilitumika si kama mfanya maamuzi wa mwisho, bali kama chombo cha usaidizi kinachotegemea uthibitishaji wa binadamu.

Matokeo yasiyoungwa mkono na utafiti

• Haithibitishi kuwa B2G Cloud Intelligence ndiyo sababu pekee ya ongezeko la alama.
• Haionyeshi kuwa jukwaa ni bora kuliko ufundishaji wa jadi bila kundi la udhibiti.
• Haithibitishi kuwa wanafunzi watafanya vizuri zaidi katika taasisi halisi za umma.
• Haipimi ongezeko la utayari wa soko la ajira au uwezekano wa kupata kazi.
• Haipimi ufanisi wa sekta ya umma, utendaji wa kitaasisi au matokeo ya uchumi mpana.
• Haionyeshi kuwa matokeo ya chuo kikuu kimoja yatakuwa sawa kwa nchi nyingine, vyuo vikuu vingine au makundi ya kitaaluma.
• Haitenganishi mchango huru wa AI Consultant katika mafanikio ya kujifunza.

Vikwazo vikuu

1. Hakuna kundi la udhibiti. Muundo wa kundi moja hauwezi kuthibitisha usababishaji.
2. Muundo uliopimwa ni wa msingi. Majadiliano ya wadau, uwezekano wa kisiasa wa utekelezaji, uwezo halisi wa kutekeleza sera na utendaji wa sekta ya umma havikupimwa.
3. Ni muktadha wa chuo kikuu kimoja na somo moja. Uwezo wa kujumlisha ni mdogo.
4. Washiriki ni wanafunzi. Si maafisa wa umma wala wataalamu wa soko la ajira.
5. Kumbukumbu za jukwaa hazikujumuishwa katika uchanganuzi wa inferential. Uhusiano kati ya marudio ya matumizi ya moduli na matokeo ya kujifunza haujulikani.
6. Maelezo ya kiufundi ya AI hayajakamilika. Mtoa modeli wa AI Consultant, toleo la modeli na usanidi wa kiufundi wa inference havijatolewa katika chanzo.
7. Mgawo wa uaminifu wa kipimo haupo. Ingawa Cronbach alpha imetajwa kama mbinu, matokeo ya nambari hayakuripotiwa.

Utafiti wa baadaye

Chanzo kinapendekeza miundo yenye kundi la udhibiti, orodha ya kusubiri, ulinganisho uliolinganishwa au miundo ya quasi-experimental ili kupata ushahidi imara zaidi. Pia kinasema tathmini inapaswa kufanywa katika makundi tofauti zaidi ya washiriki kama vyuo vikuu tofauti, wafanyakazi wa umma, wafanyakazi wa serikali za mitaa na wawezeshaji wa sera za MSME.

Pia inapendekezwa kumbukumbu za matumizi ya jukwaa zibadilishwe kuwa data za kiasi katika siku zijazo. Viashiria vinavyowezekana ni pamoja na marudio ya kufikia vipengele, muda wa matumizi, idadi ya maswali ya AI Consultant, idadi ya marekebisho ya Policy Map na uhusiano wa tabia hizi na matokeo ya tathmini.

Tafiti zitakazotumia data halisi za umma, data za sera za MSME na visa vya maamuzi vya serikali za mitaa zinaweza kutathmini kwa moja kwa moja zaidi thamani ya matumizi ya jukwaa nje ya mazingira ya elimu.

Maelezo ya Chanzo na Mbinu

Kichwa asili: AI-Assisted B2G Cloud Intelligence Simulation for Foundational Digital Governance Competencies: A Pilot Study in Higher Education

Waandishi: Subagyo; Andi Basuki; I Nyoman Suputra; Ari Gunawan; Afis Baghiz Syafruddin

Mwandishi wa mawasiliano: Andi Basuki

Taasisi 1: Department of Management, Universitas Negeri Malang, Malang 65145, Indonesia

Taasisi 2: Department of Management, Universitas Gadjah Mada, Yogyakarta 55281, Indonesia

Jarida: Economies

Mchapishaji: MDPI

Aina ya uchapishaji: Makala ya utafiti iliyopitiwa na wenzao; utafiti wa majaribio wa tathmini ya elimu ya juu

Rekodi ya bibliografia: Economies, 2026, 14(9), 362

DOI: 10.3390/economies14090362

Iliwasilishwa: 8 Julai 2026

Marekebisho: 7 Agosti 2026

Ilikubaliwa: 19 Agosti 2026

Ilichapishwa: 1 Septemba 2026

Leseni: Creative Commons Attribution (CC BY).

Muundo wa utafiti: Kundi moja, pre-test–post-test, majaribio ya tathmini ya wiki nne.

Sampuli: Washiriki 72 wa mwanzo; rekodi halali 68 za mtu binafsi za pre/post na dodoso; matokeo 12 ya mradi katika kiwango cha kikundi.

Moduli kuu za jukwaa: Helicopter View, Data Integration, Policy Insight, AI Consultant, Gap Analysis na Policy Map.

Zana kuu za tathmini: pre-test/post-test yenye viashiria vitano, dodoso la urahisi wa matumizi la 1–5 Likert linalotegemea TAM na rubriki ya mradi wa kikundi ya alama 100.

Takwimu: wastani wa maelezo, faida ghafi, faida iliyosanifishwa, ulinganisho wa sampuli zilizo katika jozi, vipindi vya kujiamini vya %95 na ukubwa wa athari wa Cohen's dz. Chanzo kinasema jaribio la Wilcoxon signed-rank lingetumika ikiwa sharti la usambazaji wa kawaida halingetimizwa; matokeo makuu yaliyoripotiwa yametolewa kwa takwimu za t.

Ufadhili: Institute for Research and Community Service, State University of Malang; KBK Topic Competitive scheme, contract No. 24.2.121/UN32.14.1/LT/2025.

Maadili: Msamaha wa kimaadili kutoka Universitas Negeri Malang; No. 19.06.11/UN32.14.2.8/LT/2026. Hati ya chanzo inasema msamaha ulitolewa 19 Juni 2025 na ulikuwa halali hadi 19 Juni 2026.

Ridhaa yenye taarifa: Ilipatikana kutoka kwa washiriki wote.

Upatikanaji wa data: Imeelezwa kuwa data zitatolewa kwa ombi.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana Subagyo na I Nyoman Suputra; metodolojia Andi Basuki na Subagyo; programu Afis Baghiz Syafruddin; uthibitishaji Ari Gunawan na I Nyoman Suputra; uchanganuzi rasmi Andi Basuki na Subagyo; utafiti Subagyo; rasilimali Afis Baghiz Syafruddin; usimamizi wa data Ari Gunawan; rasimu ya kwanza Subagyo, Andi Basuki na I Nyoman Suputra; mapitio/uhariri Afis Baghiz Syafruddin, Andi Basuki na Ari Gunawan; uoneshaji Afis Baghiz Syafruddin na Ari Gunawan; usimamizi Subagyo; usimamizi wa mradi I Nyoman Suputra; upatikanaji wa ufadhili ulifanywa na Subagyo.

Dokezo la kategoria ya TAM ndani ya chanzo: sehemu ya mbinu inafafanua kiwango cha 4,21–5,00 kuwa “very good”, wakati Jedwali 3 linaweka baadhi ya alama katika kiwango hicho lebo “Excellent”.

Kikomo cha kuripoti uaminifu: inaelezwa kuwa uchanganuzi wa uthabiti wa ndani kwa kutumia Cronbach's alpha ulifanywa; hata hivyo, thamani ya nambari ya alpha haikuripotiwa katika makala.

Kikomo cha kuzalisha upya AI: jukumu la kielimu na kiutendaji la AI Consultant limefafanuliwa; hata hivyo, modeli ya AI iliyotumiwa, mtoa huduma, toleo la modeli, usanidi wa API/prompt na miundombinu ya kina ya wingu havikuripotiwa.

Kikomo kikuu cha tafsiri: Utafiti unatoa ushahidi wa majaribio kuhusu mabadiliko ya pre/post yaliyoonekana katika umahiri wa msingi wa utawala wa kidijitali; si ushahidi wa kisababishi kuhusu soko la ajira, utendaji wa kitaaluma, ufanisi wa sekta ya umma au athari za uchumi mpana.

Kuchora upya taswira: Mtiririko wa dhana wa kujifunza katika Kielelezo 1 cha chanzo na usanifu wa mfumo wa tabaka katika Kielelezo 2 unaweza kujengwa upya kwa Verianla kama michoro iliyo sawa kisemantiki lakini asili kimuonekano. Skrini za jukwaa na matokeo ya wanafunzi katika Vielelezo 3–6 zinapaswa kubuniwa upya kama michoro ya maelezo inayowakilisha mtiririko mkuu wa taarifa badala ya nakala za moja kwa moja za skrini.

Ufaafu wa Verianla Live: Inafaa kwa kiwango cha juu kwa Live Architecture, Live Process, Live Compare na Live Data. Uigaji mwingiliano unaozalisha athari mpya ya kujifunza kutoka kwa vigezo vya mtumiaji haujaungwa mkono na chanzo.