From Data Universalism to Data Particularism: Epistemologizing Digital Sovereignty Based on Germany's and Japan's COVID-19 Responses
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
Abstract This article examines the use of digital technologies by Germany and Japan during the COVID-19 pandemic from the perspective of two divergent epistemologies of data, “data universalism” and “data particularism.” Data universalism is grounded in large-scale, context-free data aggregation. In contrast, data particularism interprets data in context, factoring in spatial, cultural, and institutional particularities. In line with WHO recommendations, Germany focused on widespread PCR testing and used case incidence as an indicator for imposing comprehensive lockdowns. Japan, on the other hand, adopted a context-specific approach that focused on detecting and preventing infection clusters, combined with flexible and targeted measures that took into account material spaces and cultural characteristics. Despite the Japanese approach's lower public approval in the first two years of the pandemic and despite its failure to avert an overload of the health system—which the German approach did achieve—, Japan outperformed Germany in terms of selected key metrics at the end of the COVID-19 pandemic. We argue that, beyond COVID-19, data particularism, as exemplified in Japan's COVID-19 response, can be a valuable strategy to address the epistemic and political shortcomings of data universalism. In particular, we argue that in the context of the broader debate about digital sovereignty, data particularism is attractive for traditional manufacturing powers, such as Japan and Germany, that are rich in context-specific data but dependent on US and Chinese Big Tech. We describe the turn towards different epistemologies of data as an epistemologization of the digital sovereignty debate.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| 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