Characterising and reassessing people-centred data governance in cities
Notice bibliographique
Résumé
The increasing deployment of digital infrastructures in cities highlights challenges in how people shape the conditions of data production that shape their cities and lives. As such, the need to centre data governance (DG) models around people is amplified. This paper unpacks and reassesses how people-centredness materialises at the level of DG in cities by conducting a scoping review of the literature on people-centred data governance (PCDG) in cities. Utilising twelve extraction categories framed by the conceptualisation of DG as a socio-technical system, this review synthesises identified themes and outlines six archetypes. PCDG is characterised by people-centred values; the inclusion of people as agents, beneficiaries, or enablers; the employment of mechanisms for engaging people; or the pursuit of people-centred goals. These coalesce into diverse PCDG archetypes including compensation, rights-based, civic deliberation, civic representation, data donations, and community-driven models. The paper proposes a nuanced reassessment of what constitutes PCDG, focusing on whether DG models include people in the emergent benefits of data or merely legitimise their exclusion, the extent to which embedded power dynamics reflect people’s perspectives, the extent to which participation influences decision-making, and the model’s capacity to balance power asymmetries underpinning the landscape in which it is situated.
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 | 0,026 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,028 |
| Communication savante | 0,017 | 0,020 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».