La réutilisation des données ouvertes au Québec : du développement économique à la transparence gouvernementale
Bibliographic record
Abstract
Basé sur l’histoire des données ouvertes au Québec, le présent article traite de la réutilisation de ces données par différents acteurs de la société en vue d’obtenir les retombées économiques, administratives et démocratiques souhaitées. À partir de l’analyse des mesures gouvernementales et des pratiques de la communauté en matière de réutilisation des données, l’étude montre que les retombées des données ouvertes semblent peu concluantes en termes de croissance économique. En revanche, leurs retombées paraissent prometteuses du point de vue de la transparence gouvernementale en permettant à différents acteurs de la société civile de surveiller l’intégrité et la performance des activités de l’État. À l’ère des données numériques et des réseaux, l’État doit être vu non seulement comme une plateforme propice à l’innovation, mais aussi comme un terrain d’observation faisant l’objet d’une surveillance étroite par divers acteurs motivés par des visées politiques et sociales. Remarques à l’intention des praticiens Bien que les retombées économiques des données ouvertes ne se sont pas montrées concluantes jusqu’ici, du moins au Québec, les administrations publiques ne doivent pour autant cesser d’investir dans l’ouverture de leurs données. Les résultats de l’étude tendent à montrer que les retombées des données ouvertes en termes de transparence sont, quant à elles, suffisamment porteuses pour poursuivre la libération des données gouvernementales, ne serait-ce que pour appuyer les activités d’évaluation et de planification des programmes et des services publics.
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 | 0.015 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.012 |
| Science and technology studies | 0.009 | 0.006 |
| Scholarly communication | 0.014 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
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".