Distributed spatial data sharing: a new model for data ownership and access control
Notice bibliographique
Résumé
With the advent of new technologies and broader participation in geospatial data production, new challenges emerge for spatial data sharing. Spatial data sharing practices are increasingly transacted through and, to varying degrees, controlled by a handful of privately controlled corporate services. Data production has evolved from being largely centralized, expert-oriented, and authoritative in nature to now also include hybrid data collection processes involving distributed assemblages of individuals who share and co-produce spatial data while interacting through centralized architectures and control regimes. These changes have resulted mainly from technological and social changes linked to the emergence of Web 2.0 and widely available Internet participation tools. Concerns about how spatial data access and sharing are controlled, particularly for sensitive or personally-identifying data, have increased interest in distributed file technologies that allow users to share resources independently of centralized platforms. This paper examines how spatial data sharing practices may move towards a more decentralized sharing ecosystem as technologies for a further distributed web mature. We identify this transition as increasingly hybridized forms of data ownership and access control concerns are coupled with new distributed systems (e.g., Web 3.0). We also discuss opportunities and barriers to distributed spatial data sharing, including possible benefits for big geographic data management and the need for protocols to share, integrate, and process spatial data shared on distributed networks.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,023 |
| Science ouverte | 0,014 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».