MétaCan
Menu
Retour à la cohorte
Enregistrement W2610596484 · doi:10.2902/ijsdir.v11i0.426

A comparative analysis of stakeholder roles in the spatial data infrastructures of South Africa, Namibia and Ghana

2016· article· en· W2610596484 sur OpenAlexaff
Kisco M. Sinvula, Serena Coetzee, Antony K Cooper, Wiafe Owusu-Banahene, Emma Nangolo, Victoria Rautenbach, Martin Hipondoka

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeographic Information Systems Studies
Établissements canadiensCanadian Society of Intestinal Research
Organismes subventionnairesnon disponible
Mots-clésStakeholderTypologyWork (physics)CommissionBusinessSpatial data infrastructureRegional scienceDeveloping countryVariety (cybernetics)Environmental resource managementEnvironmental planningGeographySpatial analysisEconomic growthPolitical sciencePublic relationsRemote sensingComputer scienceEngineeringEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

Spatial data infrastructures (SDIs) at various levels (global, regional national, local and corporate) are being developed by and in countries around the world. We assess here the SDI developments in three African countries, Ghana, Namibia and South Africa, using the SDI models developed by the Commission on Geoinformation Infrastructures and Standards of the International Cartographic Association (ICA), focusing on the stakeholders and their roles: the Policy Maker, Producer, Provider, Broker, Value-Added Reseller (VAR) and End User. SDI development in all three countries has involved a variety of stakeholders and has taken a long time, waxing and waning depending on the availability of funding and the commitment of the stakeholders, particularly the Policy Makers. This research on the similarities and differences of the SDI stakeholders in Ghana, Namibia and South Africa improves the understanding of SDI development and we hope that the results can help other countries with their own SDI developments. Based on our work, we make recommendations for refining the ICA’s stakeholder typology.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,291
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,106
Tête enseignante GPT0,321
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeographic Information Systems StudiesTravaux en français237 207