Datenstrategien in Kommunen: Handlungsempfehlungen zur praktischen Umsetzung
Bibliographic record
Abstract
Im Rahmen der Studie wurden Leitfäden für die Umsetzung kommunaler Datenstrategien erstellt, die dazu beitragen sollen, die kommunale Datensouveränität zu sichern. Zudem sollen die Potenziale digitaler Dienste gehoben und der Wert der Daten ausgeschöpft. Internationale und nationale Praxisbeispiele wie Wien, Toronto, Dortmund und Aachen werden analysiert und für die kommunale Praxis aufbereitet. Als Schlüsselfaktoren für eine gelungene kommunale „Daten-Governance“ wurden vier Themen identifiziert, für die konkrete Beispiele, Strategien und Handlungsempfehlungen aufgezeigt werden: 1. In Puncto kommunaler Datensouveränität wird die Notwendigkeit der Definition von Standards, Schnittstellen und Nutzungsrechte diskutiert. 2. In Bezug auf die notwendigen Datenkompetenzen der Mitarbeiterinnen und Mitarbeiter werden Hinweise und Empfehlungen sowie praktische Beispiele zu ihrer Organisation und Förderung gegeben. 3. Des Weiteren gibt die Studie Hinweise und Beispiele zum optimierten Umgang mit und zur funktionalen, strukturellen Organisation von Datenzuständigkeiten innerhalb der Verwaltung, aber auch an der Schnittstelle zu externen Akteuren. 4. Zudem werden Modelle und Formate des Aufbaus von Datenkooperationen zwischen öffentlichen und auch privaten Akteuren beispielhaft analysiert und Empfehlungen erarbeitet.
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 | 0.027 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.009 | 0.010 |
| Scholarly communication | 0.026 | 0.026 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.004 | 0.007 |
| 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".