Data governance maturity assessment tool: A design science approach
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.051 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.007 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.012 |
| Open science | 0.012 | 0.010 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.002 |
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 it