Motivation Perspectives on Opening up Municipality Data: Does Municipality Size Matter?
Notice bibliographique
Résumé
National governments often expect municipalities to develop toward open cities and be equally motivated to open up municipal data, yet municipalities have different characteristics influencing their motivations. This paper aims to reveal how municipality size influences municipalities’ motivation perspectives on opening up municipality data. To this end, Q-methodology is used, which is a method that is suited to objectify people’s frames of mind on a particular topic. By applying this method to 37 municipalities in the Netherlands, we elicited the motivation perspectives of three main groups of municipalities: (1) advocating municipalities, (2) careful municipalities, and (3) conservative municipalities. We found that advocating municipalities are mainly large-sized municipalities (>65,000 inhabitants) and a few small-sized municipalities (<35,000 inhabitants). Careful municipalities concern municipalities of all sizes (small, medium, and large). The conservative municipality perspective is more common among smaller-sized municipalities. Our findings do not support the statement “the smaller the municipality, the less motivated it is to open up its data”. However, the type and amount of municipality resources do influence motivations to share data or not. We provide recommendations for how open data policy makers on the national level need to support the three groups of municipalities and municipalities of different sizes in different ways to stimulate the provision of municipal data to the public as much as possible. Moreover, if national governments can identify which municipalities adhere to which motivation perspective, they can then develop more targeted open data policies that meet the requirements of the municipalities that adhere to each perspective. This should result in more open data value creation.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,007 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».