Practicing environmental data justice: From DataRescue to Data Together
Notice bibliographique
Résumé
The Environmental Data and Governance Initiative (EDGI) formed in response to the 2016 US elections and the resulting political shifts which created widespread public concern about the future integrity of US environmental agencies and policy. As a distributed, consensus‐based organisation, EDGI has worked to document, contextualise, and analyse changes to environmental data and governance practices in the US. One project EDGI has undertaken is the grassroots archiving of government environmental data sets through our involvement with the DataRescue movement. However, over the past year, our focus has shifted from saving environmental data to a broader project of rethinking the infrastructures required for community stewardship of data: Data Together. Through this project, EDGI seeks to make data more accessible and environmental decision‐making more accountable through new social and technical infrastructures. The shift from DataRescue to Data Together exemplifies EDGI's ongoing attempts to put an “environmental data justice” prioritising community self‐determination into practice. By drawing on environmental justice, critical GIS, critical data studies, and emerging data justice scholarship, EDGI hopes to inform our ongoing engagement in projects that seek to enact alternative futures for data stewardship.
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 | 0,206 | 0,258 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,036 | 0,135 |
| Communication savante | 0,056 | 0,085 |
| Science ouverte | 0,006 | 0,072 |
| Intégrité de la recherche | 0,016 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».