Constructing a Public Narrative of Regulations for Big Data and Analytics: Results From a Community-Driven Discussion
Notice bibliographique
Résumé
This article reports on community perspectives about the regulation of municipality-led Big Data initiatives developed through an exploratory, deliberative democracy-informed approach. While analytics hold great promise for policy design and service delivery improvements, their mythologized nature may elicit a blind faith in empirical outcomes, leading to misrepresentation or omission of marginalized populations. Scholars have begun pointing to public consultation as a means of avoiding these challenges, suggesting that a truly “smart city” should vet potential Big Data polices through the community in order to identify locally relevant concerns. The Big Data in Cities: Barriers and Benefits symposium, held in May of 2017, took a deliberative democracy approach designed to contribute toward a midsized southern Ontario city’s regulatory framework for data aggregation and mobilization. Approximately 100 self-selected participants (primarily public advocates) attended a 2-day symposium that featured a series of presentations designed to introduce critiques to and strategies for the implementation of Big Data initiatives. Participants also engaged in several facilitated roundtable discussions during the symposium, and their transcribed conversations served as the data for this study. Thematic analysis identified three recurrent concerns: publicly vetted data ethics, consultation and literacy practices, and regulatory frameworks. The public consultation process employed by this study produced results that reflect critiques raised in other academic papers.
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 | 0,189 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,050 | 0,050 |
| Communication savante | 0,022 | 0,024 |
| Science ouverte | 0,006 | 0,035 |
| Intégrité de la recherche | 0,011 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».