Open government data (OGD): challenging the concept of a “Designated Community”
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
Purpose This paper aims to explore the curation of government-produced datasets for release as open government data (OGD) from the perspective of the digital curation and preservation concept of a “Designated Community”. Specifically, it explores how digital curation functions when there is no clear Designated Community to which curation services can be targeted. Design/methodology/approach The research was conducted through a case study of the City of Toronto’s efforts to revitalize their OGD program. Data was collected using three methods: semi-structured interviews, non-participative observation and document analysis. Findings The curators of OGD responded to the absence of a Designated Community through two complementary methods. The first was to draw from the discourse that defines the OGD domain. The second was to take a participatory approach that incorporated members of the community surrounding OGD and various other stakeholders into the process of developing a plan for the revitalization of the program. Research limitations/implications This study opens new directions for investigating the application of the Designated Community concept and its role in digital curation and preservation. Practical implications The approach used by OGD curators in this case has the potential to be used in other curation situations where there is no clearly defined user group. Originality/value The findings presented in this paper contribute empirical insights to on-going discussions on the concept of a Designated Community in digital curation and preservation.
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 | 0,004 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| 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 découle