Outsourcing accountability: Extractive data practice and inequities of power in humanitarian third-party monitoring
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
Since the early 2010s, humanitarian donors have increasingly contracted private firms to monitor and evaluate humanitarian activities, accompanied by a promise of improving accountability through their data and data analytics. This article contributes to scholarship on data practices in the humanitarian sector by interrogating the implications of this new set of actors on humanitarian accountability relations. Drawing on insights from 60 interviews with humanitarian donors, implementing agencies, third-party monitors and data enumerators in Somalia, this article interrogates data narratives and data practices around third-party monitoring. We find that, while humanitarian donors are highly aware of challenges to accountability within the sector, there is a less critical view of data challenges and limitations by these external firms. This fuels donor optimism about third-party monitoring data, while obscuring the ways that third-party monitoring data practices are complicating accountability relations in practice. Resultant data practices, which are aimed at separating data from the people involved, reproduce power asymmetries around the well-being and expertise of the Global North versus Global South. This challenges accountability to donors and to crisis-affected communities, by providing a partial view of reality that is, at the same time, assumed to be reflective of crisis-affected communities’ experiences. This article contributes to critical data studies by showing how monitoring data practices intended to improve accountability relations are imbued with, and reproduce, power asymmetries that silence local actors.
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 | 0,006 | 0,004 |
| 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 | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle