Cultural and institutional barriers among data stewards regarding data access for research
Notice bibliographique
Résumé
IntroductionIn British Columbia, the rules and procedures that data stewards follow to adjudicate data access requests (DAR) vary considerably. These variations can lead to discrepancies in the speed at which DARs are processed. With complex DARs involving numerous data stewards and data sets, the request may take over a year
 Objectives and ApproachOur main goal was to understand the institutional and cultural factors that influence data stewards when processing a DAR. We wished to see in particular if risk aversion was playing a role when making decisions about data access. We interviewed 24 people representing 21 organizations in British Columbia. Most were data stewards, but we also interviewed people processing the data requests and also privacy advisors.
 ResultsWe found that organizations varied greatly in terms of their skills and expertise regarding the rules and procedures around processing DARs. In particular, data stewards noted that they experienced differences in interpreting legislation, resulting in disagreements when they were working with other data stewards. In terms of risk aversion, data stewards stated they wished to encourage research, but in some cases followed unclear rules. Nearly all noted that there is little guidance provided for the job of “data steward” and either no or very little training when taking on these positions.
 Conclusion/ImplicationsWhile there may be stated governmental policies promoting that linked data be used for research, ultimately it is the data stewards approving DARs that will determine access to data. Understanding how and why they make those decisions will help better implement data access policies.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,165 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,011 |
| Science ouverte | 0,010 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».