Data governance challenges on smart home involving multiple research sites
Notice bibliographique
Résumé
Abstract Background The development of Ambient Assisted Living (AAL) technology has great potential for ubiquitous health monitoring through collaboration between multiple research sites, but its use poses significant challenges to data governance. This study aims to investigate data governance challenges arising when smart home data flows across different research sites. Methods A four-analytic-dimension method was used to identify potential data-related issues that may occur when heterogeneous smart home data moves around multiple research sites. These dimensions include data domain, stakeholders, value, and governance goal. Results Data domain has difficulty in categorizing new data types generated by analytical models without a specified agreement, and determining the regulations for varying levels of anonymization and privacy protection is unclear in the AAL research field. Stakeholders in the AAL project may hold have different norms and practices for data use. Although some common values may be shared, such as improving the quality of homecare, conflicts may still arise and need to be regulated by data governance. Shifting AAL data between stakeholders may reduce its value, as different stakeholders may have varying interests. For instance, removing identifiable information from data to preserve privacy may reduce its value for researchers exploring individuals’ activity patterns. Governance goals are objectives for maintaining and facilitating data. While some governance goals can be widely acknowledged and shared, such as ensuring data security and privacy, conflicts may still exist over others, such as data access. Conclusions The big data generated by smart home technology highlights the need to develop proper data governance models to regulate data. This study’s implications include a better understanding of potential data-related challenges when data flows around multiple research sites, helping policymakers set up suitable data governance models. Key messages • AAL tech for health monitoring poses data governance challenges due to varying stakeholder norms and values. • Proper data governance models need to be developed for AAL data as it remains challenges in data domain, stakeholders, value, and governance goal.
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 | 0,152 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,014 | 0,016 |
| Communication savante | 0,019 | 0,016 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».