Crowdsourcing: A Geographic Approach to Public Engagement
Notice bibliographique
Résumé
In this paper we examine three geographic crowdsourcing models, namely: volunteered geographic information (VGI), citizen science (CS) and participatory mapping (PM) (Goodchild, 2007; Audubon Society, 1900; and Peluso, 1995). We argue that these geographic knowledge producing practices can be adopted by governments to keep databases up to date (Budhathoki et al., 2008), to gain insight about natural resources (Conrad and Hilchey, 2011), to better understand the socio-economy of the people it governs (Johnston and Sieber, 2013) and as a form of data-based public engagement. The paper will be useful to governments and public agencies considering using geographic crowdsourcing in the future. We begin by defining VGI, CS, PM and crowdsourcing. Two typologies are then offered as methods to conceptualize these practices and the Kitchin (2014) data assemblage framework is proposed as a method by which state actors can critically examine their data infrastructures. A selection of exemplary VGI, CS and PM from Canada and the Republic of Ireland are discussed and the paper concludes with some high level recommendations for administrations considering a geographic approach to crowdsourcing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,020 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».