What We See, What We Don’t See: Data Governance, Archaeological Spatial Databases and the Rights of Indigenous Peoples in an Age of Big Data
Notice bibliographique
Résumé
Archaeological spatial databases have the potential to enable deep insights into human history. These compilations of data are at the interface of data management and data visualization. Yet issues of data governance such as the nature, management, quality, ownership, security, and accessibility of archaeological spatial databases are under examined in archaeology, a situation that can affect data intensive methods and “big” data approaches. Data governance including laws and policies associated with data have bearing on archaeological practices which, in turn, can impact map visualizations and subsequent decision-making. With the growth of the geospatial web and Web 2.0 technologies, there are increasing opportunities for archaeologists and the general public to collect and engage with digital archaeological data. In Canada, greater numbers of specialists from different sectors (research and education, government, private companies) now accumulate, store, and process digital archaeological data. We draw from the OCAP® (ownership, control, access, possession) principles to shed light on data governance in archaeology, with a focus on archaeological spatial databases in Canadian archaeology. In this context, we draw attention to the rights of Indigenous peoples, the legal and policy issues associated with archaeological spatial databases, and a need for greater engagement with Indigenous data governance principles.
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 | 0,018 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,017 | 0,075 |
| Communication savante | 0,023 | 0,029 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».