Understanding Data Valuation: Valuing Google’s Data Assets
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
Digital personal data are increasingly understood as a key asset in our digital economies. But how should we value such data? Numerous policymakers, regulators, and stakeholders are trying to work out how to manage the collection, use, and valuation of data in order to balance the advantages and disadvantages of its collection and use. The negative implications of data practices may include privacy loss, data breaches, or declining market competition, while social and economic benefits include improved service delivery, more efficient welfare systems, or better products. Increasingly, data are conceptualized as an asset. To understand the value of data as an asset means understanding how data are configured as an asset; data value does not reflect ownership and property rights per se, but rather diverse modes of access and use restrictions (usually delineated by opaque contractual agreements) Data are increasingly controlled by a few, large digital technology firms, especially so-called Big Tech firms. In this paper, we use Google as a case study of how Big Tech firms configure and value digital data as an asset. We analyse how Google understands, frames, values, and monetizes the data they collect from users. We qualitatively analyse an extensive dataset of financial documentary materials produced by and about Google to identify the different modes of access and use restrictions that Google deploys to turn digital data into a valuable asset. We conclude that, despite being highly ambiguous, Google’s approach to data value focuses on monetizing users, not data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle