Negotiating Openness under Authoritarian Risk: Feminist Open Data Sharing in Hong Kong
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
Open data has become increasingly common in Science, Technology, Engineering, Mathematics, and Medicine (STEMM) in recent years, but its promise falters when the “data” are people’s stories, such as interview transcripts, field notes, oral histories, diaries, and images, which are typical of qualitative work in such disciplines as cultural studies, sociology, and anthropology. In this article, we reconsider open data sharing in politically precarious and authoritarian settings and explore the ways in which feminist and CARE-influenced approaches to data sharing can be operationalized in these regions. Grounded in two Hong Kong–based projects on asexual and aromantic (A-spec) community narratives and interviews around the 2019 Anti-Extradition Bill (Anti-ELAB) movement, we combine conceptual argument and autobiographical reflection to trace the tension between visibility and vulnerability, as well as between verification and the duty to protect. Rather than treating openness as a one-size-fits-all mandate, we recast it as negotiated, relational, and community governed. Engaging with existing scholarship in feminist and critical data studies, we propose steps to operationalize these feminist principles of open data sharing. This approach keeps interpretive integrity with those who lived the experiences, resists extractive reuse, and still enables learning and accountability. Set against Global South conditions, the article offers a practical, care-centered template for qualitative open data sharing that remains workable under political precarity and authoritarian constraint.
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 | 0,041 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,039 | 0,034 |
| Science ouverte | 0,022 | 0,012 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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