Shifting data cultures: From industrial homogenization to heterogeneous framings
Notice bibliographique
Résumé
This article investigates change in data cultures from an empirical and epistemological perspective. It critically examines the notion of acculturation, which assumes a uniform and dominant data culture is disseminating across various professional sectors to foster digital maturity. I contend that this view is flawed because it presupposes that homogeneous data cultures spread linearly from centers of power (major data industry players such as Microsoft or governmental entities) to peripheral sectors. In opposition to this simplistic view and other reductive theories such as diffusionism, evolutionism, and essentialism, I adopt a pragmatic approach to investigate changes in data cultures by analyzing their diverse framings and inflections. Through this analytical lens, I scrutinize adherence, discrepancies, shifts, and tensions among different interpretations of data culture as evidenced in data practices. Drawing from a case study of the National Library and Archives of Quebec (Canada), I demonstrate the diverse interpretations of organizational data culture within the institution. These interpretations hinge on three main framings of data practices that correspond with the institution’s missions: documentation of artifacts, public accessibility, and organizational management. These framings undergo several shifts associated with major dynamics in digital environments—datafication, discoverability, and platformization—that reshape the meanings of data culture. Beyond the empirical findings, this article contributes to critical data studies by offering an epistemological insight into the shifts and power dynamics within data cultures, conceptualized as complex interplays of meanings, material arrangements, and social practices.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».