La gouvernance des données et de l’information – théorie, perception et pratique1
Bibliographic record
Abstract
Les données, les documents et l’information jouent un rôle de plus en plus important dans les organisations. Ils peuvent être un matériau nécessaire à la fabrication d’un produit ou à la mise au point d’un service. Dans presque tous les cas, ils contribuent à la qualité du produit ou du service vendu par les entreprises ou mis à disposition des tiers par les organisations. Ils constituent, en partie, leur patrimoine immatériel. Dès lors, la gouvernance des données et de l’information doit être structurée et ses processus mis en qualité. Dans cet article, nous étudions la convergence entre la vision académique de la gouvernance des données et de l’information et sa pratique dans les organisations. Nous nous appuyons ainsi sur une approche systémique de la gouvernance des données et de l’information pour analyser ses différents composants et son contexte. Nous confrontons cette approche à la pratique des organisations françaises au moyen d’une enquête réalisée auprès de 116 d’entre elles. On constate un intérêt très important pour le sujet et de nombreux développements en cours. La vision système facilite l’analyse de cet objet complexe qu’est la gouvernance des données et de l’information, pour mettre en relief les résultats de l’enquête.
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 | 0.042 | 0.064 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.010 | 0.011 |
| Science and technology studies | 0.007 | 0.038 |
| Scholarly communication | 0.030 | 0.040 |
| Open science | 0.004 | 0.013 |
| Research integrity | 0.008 | 0.010 |
| Insufficient payload (model declined to judge) | 0.007 | 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".