Les initiatives de democratisation des donnees et l’economie sociale
Bibliographic record
Abstract
Plusieurs initiatives de la part d’organismes publics canadiens ont permis au cours des dernières années d’élargir passablement l’accès aux informations obtenues lors des nombreuses opérations de collecte de données. Grâce à ces initiatives, les professeurs, les chercheurs universitaires et les étudiants ont accès à une multitude de fichiers de données (comme ceux de Statistique Canada ou ceux de l’Institut de la statistique du Québec), améliorant ainsi grandement leurs potentialités de recherche et d’enseignement.\nLe présent document examine les possibilités d’élargissement de ce processus de démocratisation des données de façon à en faire bénéficier les organisations ayant un intérêt pour l’économie solidaire. Il vise plus spécifiquement à dresser un inventaire exhaustif des différentes sources d’informations québécoises ou canadiennes pertinentes au domaine de l’économie solidaire ; et à identifier les potentialités et les accès possibles à ces sources selon le type d’utilisateur, que ce soit dans le cadre de l’Initiative de démocratisation des données (IDD) ou d’autres actions d’accès à l’information.\nNotre rapport se divise en trois parties principales. Dans la première partie, nous présentons les principales initiatives canadiennes de démocratisation des données et nous faisons étant de leurs retombées pour les milieux universitaires. Dans la deuxième partie, nous présentons et expliquons les processus d’accès aux données de Statistique Canada et de l’Institut de la statistique du Québec. Enfin, nous présentons dans la troisième partie quelques bases de données canadiennes ou québécoises susceptibles d’intéresser les chercheurs et les organisations ayant un intérêt pour l’économie solidaire.
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 | 0.136 | 0.173 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.018 | 0.025 |
| Science and technology studies | 0.010 | 0.020 |
| Scholarly communication | 0.032 | 0.028 |
| Open science | 0.004 | 0.023 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.021 | 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".