Researching the emerging impacts of open data: revisiting the ODDC conceptual framework
Notice bibliographique
Résumé
Open data has rapidly moved from being a niche interest, to being part of the global policy mainstream. Government-led open data initiatives have spread across the globe, and civil society or technologist experiments using data to improve governance have been spreading organically, from budget monitoring in Nigeria, to court transparency projects in Argentina. It is increasingly seen as enabler of a “data revolution” in the process of decision-making and accountability. However, understanding how experience of open data will vary from country to country and context to context, and, understanding the common features of open data that are shaping its implementation in these diverse settings, requires broad-based research framework. It requires research that can engage with both existing realities of decision-making in sectors, acknowledging the growing complexity of this process in an increasingly networked society. In this paper we have reviewed the framework of the “Open Data in Developing Countries”(ODDC) project, the largest research project on the impact of open data in developing countries to date. The framework was designed to help explore the link between openness in the data ecosystem, decentralized changes in decision-making, and positive and negative emerging impacts such as transparency and accountability, inclusion and empowerment as well as innovation and economic development. It was tested to generate cross-learning from 17 in-depth cases studies in 14 countries, as well as generate policy-relevant findings. This paper reviews and updates the original framework based on the findings and reflections developed during the research project.
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 | 0,069 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,017 | 0,018 |
| Études des sciences et des technologies | 0,011 | 0,113 |
| Communication savante | 0,029 | 0,042 |
| Science ouverte | 0,005 | 0,018 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».