More than 80 % of all information in an organization is unstructured, created by knowledge workers engaged in peer-to-peer networks of expertise to share knowledge across organizational boundaries. Enterprise Information Systems (EIS) do not integrate unstructured information. At best, they integrate links to unstructured information connected with structured information in their databases. The amount of unstructured information is rising quickly. Ensuring the quality of this unstructured information is difficult. It is often inaccessible, unavailable, incomplete, irrelevant, untimely, inaccurate, and/or incomprehensible. It becomes problematic to reconstruct what has happened in organizations. When used for organizational policies, decisions, products, actions and transactions, structured and unstructured information are called records. They are an entity of information, consisting out of an information object (structured or unstructured) and its metadata. They are important for organizational accountability and business process performance, for without them reconstruction of past happenings and meaningful production become an impossibility. Organization-wide management of records is not a common functionality for EIS, resulting in [1] a fragmentation in the management of records, where structured and unstructured information objects are stored in a variety of systems, unconnected with their metadata; [2] a fragmentation in metadata management, leading to a loss of contextuality because metadata are separated from their information objects; and [3] a declining quality or records, because their provenance, integrity, and preservation are in peril. Organizational accountability is based on records and their context to reconstruct the past. Because records are not controlled by EIS, they can only marginally be used for accountability. The challenge for organizational accountability is to generate trusted records, fixed and contextual information objects inseparately linked with metadata that capture context to regain evidential value and to allow for the reconstruction of the past. The research question of this paper is how to capture records and their context within EIS to regain the evidential value of records to allow for a more robust organizational accountability. To find an answer, we need to pay attention to the concept of context, on how to capture context in metadata, and how to embed and manage records in EIS.
More than 80 % of all information in an organization is unstructured, created by knowledge workers engaged in peer-to-peer networks of expertise to share knowledge across organizational boundaries. Enterprise Information Systems (EIS) do not integrate unstructured information. At best, they integrate links to unstructured information connected with structured information in their databases. The amount of unstructured information is rising quickly. Ensuring the quality of this unstructured information is difficult. It is often inaccessible, unavailable, incomplete, irrelevant, untimely, inaccurate, and/or incomprehensible. It becomes problematic to reconstruct what has happened in organizations. When used for organizational policies, decisions, products, actions and transactions, structured and unstructured information are called records. They are an entity of information, consisting out of an information object (structured or unstructured) and its metadata. They are important for organizational accountability and business process performance, for without them reconstruction of past happenings and meaningful production become an impossibility. Organization-wide management of records is not a common functionality for EIS, resulting in [1] a fragmentation in the management of records, where structured and unstructured information objects are stored in a variety of systems, unconnected with their metadata; [2] a fragmentation in metadata management, leading to a loss of contextuality because metadata are separated from their information objects; and [3] a declining quality or records, because their provenance, integrity, and preservation are in peril. Organizational accountability is based on records and their context to reconstruct the past. Because records are not controlled by EIS, they can only marginally be used for accountability. The challenge for organizational accountability is to generate trusted records, fixed and contextual information objects inseparately linked with metadata that capture context to regain evidential value and to allow for the reconstruction of the past. The research question of this paper is how to capture records and their context within EIS to regain the evidential value of records to allow for a more robust organizational accountability. To find an answer, we need to pay attention to the concept of context, on how to capture context in metadata, and how to embed and manage records in EIS.
Turkey has received consistent criticism from international media for having many naturalized athletes in its national squad, both in the Olympic Games and other major international sporting events. Similar criticisms have also been a feature of debates for a long time in domestic media, varying in views toward these athletes. This research focuses on media representations of naturalized athletes in Turkey between 2008 and 2020. We investigated the sentiments of news items from four major Turkish newspapers (Milliyet, Cumhuriyet, Sabah and Fanatik) on their stances toward naturalized athletes over the timespan of 2008–2020. Beside analyzing the sentiment of the media content both cumulatively and fragmentedly, we also identified the yearly trends and most featured sports in this context, combining qualitative and quantitative techniques. Our findings showed that sentiments in Turkish media toward naturalized athletes are mostly neutral and negative as well as with differences varying on the basis of the newspapers and news item types. The most criticism underlined pursuing “shortcut” success with naturalized athletes representing Turkey in the international arena. Among the featured sports, basketball, football, and track and field have been the most discussed ones in the naturalization context.
Moderatie van lezersreacties onder nieuwsartikelen is erg arbeidsintensief. Met behulp van kunstmatige intelligentie wordt moderatie mogelijk tegen een redelijke prijs. Aangezien elke toepassing van kunstmatige intelligentie eerlijk en transparant moet zijn, is het belangrijk om te onderzoeken hoe media hieraan kunnen voldoen.Doel Dit promotieproject zal zich richten op de rechtvaardigheid, accountability en transparantie van algoritmische systemen voor het modereren van lezersreacties. Het biedt een theoretisch kader en bruikbare matregelen die nieuwsorganisaties zullen ondersteunen in het naleven van recente beleidsvorming voor een waardegedreven implementatie van AI. Nu steeds meer nieuwsmedia AI gaan gebruiken, moeten ze rechtvaardigheid, accountability en transparantie in hun gebruik van algoritmen meenemen in hun werkwijzen. Resultaten Hoewel moderatie met AI zeer aantrekkelijk is vanuit economisch oogpunt, moeten nieuwsmedia weten hoe ze onnauwkeurigheid en bias kunnen verminderen (fairness), de werking van hun AI bekendmaken (accountability) en de gebruikers laten begrijpen hoe beslissingen via AI worden genomen (transparancy). Dit proefschrift bevordert de kennis over deze onderwerpen. Looptijd 01 februari 2022 - 01 februari 2025 Aanpak De centrale onderzoeksvraag van dit promotieonderzoek is: Hoe kunnen en moeten nieuwsmedia rechtvaardigheid, accountability en transparantie in hun gebruik van algoritmes voor commentmoderatie? Om deze vraag te beantwoorden is het onderzoek opgesplitst in vier deelvragen. Hoe gebruiken nieuwsmedia algoritmes voor het modereren van reacties? Wat kunnen nieuwsmedia doen om onnauwkeurigheid en bias bij het modereren via AI van reacties te verminderen? Wat moeten nieuwsmedia bekendmaken over hun gebruik van moderatie via AI? Wat maakt uitleg van moderatie via AI begrijpelijk voor gebruikers van verschillende niveaus van digitale competentie?
Moderatie van lezersreacties onder nieuwsartikelen is erg arbeidsintensief. Met behulp van kunstmatige intelligentie wordt moderatie mogelijk tegen een redelijke prijs. Aangezien elke toepassing van kunstmatige intelligentie eerlijk en transparant moet zijn, is het belangrijk om te onderzoeken hoe media hieraan kunnen voldoen.Doel Dit promotieproject zal zich richten op de rechtvaardigheid, accountability en transparantie van algoritmische systemen voor het modereren van lezersreacties. Het biedt een theoretisch kader en bruikbare matregelen die nieuwsorganisaties zullen ondersteunen in het naleven van recente beleidsvorming voor een waardegedreven implementatie van AI. Nu steeds meer nieuwsmedia AI gaan gebruiken, moeten ze rechtvaardigheid, accountability en transparantie in hun gebruik van algoritmen meenemen in hun werkwijzen. Resultaten Hoewel moderatie met AI zeer aantrekkelijk is vanuit economisch oogpunt, moeten nieuwsmedia weten hoe ze onnauwkeurigheid en bias kunnen verminderen (fairness), de werking van hun AI bekendmaken (accountability) en de gebruikers laten begrijpen hoe beslissingen via AI worden genomen (transparancy). Dit proefschrift bevordert de kennis over deze onderwerpen. Looptijd 01 februari 2022 - 01 februari 2025 Aanpak De centrale onderzoeksvraag van dit promotieonderzoek is: Hoe kunnen en moeten nieuwsmedia rechtvaardigheid, accountability en transparantie in hun gebruik van algoritmes voor commentmoderatie? Om deze vraag te beantwoorden is het onderzoek opgesplitst in vier deelvragen. Hoe gebruiken nieuwsmedia algoritmes voor het modereren van reacties? Wat kunnen nieuwsmedia doen om onnauwkeurigheid en bias bij het modereren via AI van reacties te verminderen? Wat moeten nieuwsmedia bekendmaken over hun gebruik van moderatie via AI? Wat maakt uitleg van moderatie via AI begrijpelijk voor gebruikers van verschillende niveaus van digitale competentie?
Moderatie van lezersreacties onder nieuwsartikelen is erg arbeidsintensief. Met behulp van kunstmatige intelligentie wordt moderatie mogelijk tegen een redelijke prijs. Aangezien elke toepassing van kunstmatige intelligentie eerlijk en transparant moet zijn, is het belangrijk om te onderzoeken hoe media hieraan kunnen voldoen.
