Travailler avec les données ouvertes : comprendre l’utilisation des données ouvertes dans une optique pratique
Bibliographic record
Abstract
La quantité de données diffusées sur les plateformes par les administrations publiques explose depuis quelques années partout dans le monde. Ces plateformes de données gouvernementales ouvertes sont destinées à améliorer la transparence et la participation. Même si ces plateformes sont prometteuses, elles n’ont pas encore atteint leur plein potentiel. Les chercheurs ont épinglé des obstacles techniques et qualitatifs à l’utilisation des données ouvertes. Bien qu’intéressantes, ces questions ne tiennent pas compte du fait que le sens des données ouvertes dépend aussi du contexte et des personnes concernées. Dans la présente étude, nous analysons l’usage des données ouvertes dans une optique pratique – en tant que construction sociale qui apparaît au fil du temps en interaction avec les gouvernements et les utilisateurs dans un contexte donné – afin de mieux comprendre le rôle du contexte et de la représentation dans le développement des plateformes de données ouvertes. La présente étude s’appuie sur une recherche innovante basée sur l’action, dans laquelle les fonctionnaires et les citoyens collaborent dans le cadre d’initiatives pour trouver des solutions aux problèmes publics au moyen d’une plateforme de données ouvertes. Notre étude propose d’analyser les travaux dans le domaine des données ouvertes d’un point de vue interne. Nos observations indiquent que l’absence de cadre cognitif partagé en ce qui concerne l’interprétation des données ouvertes de même que l’absence d’ensembles de données de qualité peuvent empêcher les processus d’apprentissage collaboratif. Notre approche contextuelle souligne la nécessité de disposer de pratiques en matière de données ouvertes qui s’appuient sur des interactions riches avec les utilisateurs plutôt que sur des implémentations centrées sur le gouvernement. Remarques à l’intention des praticiens Notre étude propose d’analyser les travaux dans le domaine des données ouvertes d’un point de vue interne en examinant ce que font effectivement les gens des données ouvertes, leur influence et les leçons que l’on peut en tirer à propos des compétences, des connaissances et des technologies nécessaires pour pouvoir utiliser ces données. Nous verrons qu’il est essentiel de mettre en place un processus d’apprentissage collaboratif autour des données ouvertes pour développer des pratiques auxquelles adhèrent les initiatives citoyennes. Enfin, nous verrons que les interactions (numériques) continues autour des données ouvertes peuvent aboutir à des interprétations communes et à des pratiques intéressantes.
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 | 0.035 | 0.088 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.016 | 0.014 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".