Geospatial open data: reshaping citizens and governments, roles and interactions
Notice bibliographique
Résumé
New forms of civic data flows are being implemented through government open data and crowdsourced data. This massive increase in volume and speed of data flow, and the use of apps to distribute and collect data, has the potential to radically alter the relationship between citizen and government. I examine the role that these flows (such as municipal transit data) play in framing the user as citizen or consumer.I selected five municipal apps, from Canada's major open data cities, that utilise civic open data or collect data from the public, and then conducted interviews of government and developers for each app. Thirteen respondents took part for a total of twelve interviews. Interviews collected government and developer perceptions of citizen engagement as expressed via open data and civic apps. My interviews also allow me to map the flow of open data to identify how it is produced, and how these arrangements reshape government practices. There was a perception skew towards framing civic app users as citizens, but also an emphasis towards neoliberal government agendas, suggesting a consumer orientation. Interviews resulted in a mapping of the selected open data civic app ecosystems and their influential actors, which revealed some of the potential weaknesses of the outsourcing of government information services.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,010 | 0,026 |
| Communication savante | 0,019 | 0,020 |
| Science ouverte | 0,001 | 0,015 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».