Data governance maturity assessment tool: A design science approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
De nos jours, les données sont devenues des atouts stratégiques puisqu’elles permettent désormais aux organisations de découvrir de nouvelles tendances ainsi que de développer une connaissance plus approfondie de leurs clients et de leurs partenaires, ainsi que de l’environnement et des marchés dans lesquels elles opèrent. Pour gérer correctement leurs données, les organisations s’appuient sur un cadre de gouvernance des données (CGD) qui définit les processus, les politiques, les pratiques et les structures nécessaires pour orchestrer et optimiser la collecte, le stockage, l’utilisation et la diffusion de données en tant qu’atouts organisationnels. Cependant, la plupart des organisations ne parviennent pas à mettre en place un CGD adapté à leurs besoins puisqu’elles ignorent le niveau de maturité de leurs pratiques de gestion des données et ne savent donc pas par où commencer lors de la mise en œuvre d’un CDG. Afin d’aider les organisations à évaluer leurs opérations par rapport aux meilleures pratiques en gouvernance des données et de les aider à développer, déployer et/ou améliorer leur CGD en fonction de leurs principales lacunes, le présent article développe, à l’aide d’une approche de la recherche en science du design, un outil d’évaluation de la maturité de la gouvernance des données. L’artefact proposé, qui comprend 11 dimensions et 72 questions, permet aux organisations d’évaluer où elles se situent en matière de gouvernance des données et, ainsi, de mieux définir et hiérarchiser les objectifs, le contenu et les activités de leurs initiatives en gouvernance des données.
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.
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 | 0,051 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,012 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle