Grand Intentions, Small Interventions: Climate Data Rescue as Counter-Data Action
Notice bibliographique
Résumé
Anticipating the incoming Trump administration’s hostility to climate science, the University of Toronto launched the first “data rescue” event in December 2016, creating a template for a kind of activism it labeled “guerilla archiving” to describe volunteers’ tactics of seeding, scraping, and bagging to disperse federal scientific climate data, documents, and webpages into an international patchwork of repositories. In recent months, similar events cropped up across the United States, guided by the Environmental Data Governance Initiative's (EDGI) Data Rescue efforts. The need for such work became palpable as official statements on anthropogenic climate change began disappearing from governmental websites, within hours of Trump’s inauguration ceremony. “Guerilla archiving” is a neologism – a critical term missing from archival literature. This paper examines Data Rescue’s guerrilla archiving efforts to situate the term within archival and critical data discourses and highlight its novelty as a contemporary case of both. Archiving in the face of political expediency is common in many types of radical archival projects. However, while radical archival work seeks to pluralize a community’s narrative through alternate stories and interpretations, EDGI’s web archiving and mirroring pluralizes and distributes the material context of the data. It distributes the data as a public good, generating occasions for data literacy projects which re-envision power and political action related to these datasets. In this sense, “guerilla archiving” exists as a unique example of counter-data action and statactivism, as it imagines new interventions to reconfigure power through distributed data management and use.
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 | 0,011 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,009 | 0,037 |
| Science ouverte | 0,035 | 0,031 |
| 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 ».