Data governance maturity assessment tool: A design science approach
Bibliographic record
Abstract
De nos jours, les données sont devenues des atouts stratégiques puisqu’elles permettent désormais aux organisations de découvrir de nouvelles tendances ainsi que de développer une connaissance plus approfondie de leurs clients et de leurs partenaires, ainsi que de l’environnement et des marchés dans lesquels elles opèrent. Pour gérer correctement leurs données, les organisations s’appuient sur un cadre de gouvernance des données (CGD) qui définit les processus, les politiques, les pratiques et les structures nécessaires pour orchestrer et optimiser la collecte, le stockage, l’utilisation et la diffusion de données en tant qu’atouts organisationnels. Cependant, la plupart des organisations ne parviennent pas à mettre en place un CGD adapté à leurs besoins puisqu’elles ignorent le niveau de maturité de leurs pratiques de gestion des données et ne savent donc pas par où commencer lors de la mise en œuvre d’un CDG. Afin d’aider les organisations à évaluer leurs opérations par rapport aux meilleures pratiques en gouvernance des données et de les aider à développer, déployer et/ou améliorer leur CGD en fonction de leurs principales lacunes, le présent article développe, à l’aide d’une approche de la recherche en science du design, un outil d’évaluation de la maturité de la gouvernance des données. L’artefact proposé, qui comprend 11 dimensions et 72 questions, permet aux organisations d’évaluer où elles se situent en matière de gouvernance des données et, ainsi, de mieux définir et hiérarchiser les objectifs, le contenu et les activités de leurs initiatives en gouvernance des données.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.050 | 0.081 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.014 | 0.008 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.015 | 0.009 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".