Global clouds and local storms: The critical governance of Google's data centre infrastructure development (CRIT-DC) Project Summary
Notice bibliographique
Résumé
Google is one of the largest investors in data centre infrastructure worldwide along with Amazon and Microsoft (Synergy Research Group, 2022). As Google expands its data centre footprint, it leverages its symbolic and financial power while engaging with public authorities whose capabilities it often far outweighs. The aim of this project is to understand Google's mode of operation when it comes to its data centre development and how it challenges pre-existing modes of governance and planning. The project brings together three orbits of literature. The first one is critical data centre studies-a growing literature which critically discusses the environmental, social and political dimensions of data centres (Edwards et al., 2024). Particularly relevant to the project is also a body of works analysing the involvement of large digital corporations in urban governance with a focus on the Sidewalk Labs project in Toronto (Carr and Hesse, 2020; Flynn and Valverde, 2019). The project is also informed by debates within infrastructure studies on how various modes of infrastructural (in)visibility are mobilised to achieve different goals (Furlong, 2021; Larkin, 2018). Qualitative methods are used to examine two cases: the village of Bissen in Luxembourg-where a Google data centre project has been under discussion for several years-and the Province of Groningen in the Netherlands where Google has built a large data centre and is planning two others. Preliminary observations indicate that Google uses similar agenda-steering and power-brokering tactics to those observed during the unfolding of the Sidewalk Labs project (Carr and Hesse, 2020, 2022). In the case of data centres however, those tactics are underpinned by the controlled visibility of these infrastructures.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».