Datenstrategien in Kommunen: Handlungsempfehlungen zur praktischen Umsetzung
Notice bibliographique
Résumé
Im Rahmen der Studie wurden Leitfäden für die Umsetzung kommunaler Datenstrategien erstellt, die dazu beitragen sollen, die kommunale Datensouveränität zu sichern. Zudem sollen die Potenziale digitaler Dienste gehoben und der Wert der Daten ausgeschöpft. Internationale und nationale Praxisbeispiele wie Wien, Toronto, Dortmund und Aachen werden analysiert und für die kommunale Praxis aufbereitet. Als Schlüsselfaktoren für eine gelungene kommunale „Daten-Governance“ wurden vier Themen identifiziert, für die konkrete Beispiele, Strategien und Handlungsempfehlungen aufgezeigt werden: 1. In Puncto kommunaler Datensouveränität wird die Notwendigkeit der Definition von Standards, Schnittstellen und Nutzungsrechte diskutiert. 2. In Bezug auf die notwendigen Datenkompetenzen der Mitarbeiterinnen und Mitarbeiter werden Hinweise und Empfehlungen sowie praktische Beispiele zu ihrer Organisation und Förderung gegeben. 3. Des Weiteren gibt die Studie Hinweise und Beispiele zum optimierten Umgang mit und zur funktionalen, strukturellen Organisation von Datenzuständigkeiten innerhalb der Verwaltung, aber auch an der Schnittstelle zu externen Akteuren. 4. Zudem werden Modelle und Formate des Aufbaus von Datenkooperationen zwischen öffentlichen und auch privaten Akteuren beispielhaft analysiert und Empfehlungen erarbeitet.
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 | 0,027 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,009 | 0,010 |
| Communication savante | 0,026 | 0,026 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,004 |
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 ».