Jump to content

Грязные данные

Грязные данные , также известные как мошеннические данные , [1] являются неточными, неполными или противоречивыми данными , особенно в компьютерной системе или базе данных . [2]

Грязные данные могут содержать такие ошибки, как орфографические или пунктуационные ошибки, неверные данные, связанные с полем, неполные или устаревшие данные или даже данные, которые дублируются в базе данных. Их можно очистить с помощью процесса, известного как очистка данных . [3]

Грязные данные (социальные науки)

[ редактировать ]

В социологии грязные данные относятся к секретным данным, раскрытие которых дискредитирует тех, кто хранил эти данные в секрете. Согласно определению Гэри Т. Маркса, почетного профессора Массачусетского технологического института, «грязные данные» — это один из четырех типов данных: [4] [5] [6]

  • Несекретные и некомпрометирующие данные:
    • Регулярно доступная информация.
  • Секретные и некомпрометирующие данные:
    • Стратегические и братские тайны, конфиденциальность.
  • Несекретные и компрометирующие данные:
    • санкционный иммунитет,
    • нормативное разногласие,
    • избирательное несогласие,
    • устранение угрозы для доверия,
    • обнаружил грязные данные.
  • Секретные и дискредитирующие данные: Скрытые и грязные данные.

См. также

[ редактировать ]
  1. ^ Вышла 12-я версия Spotless.
  2. ^ Чу, Маргарет Ю. (2004). Полезные данные: мудрость и стратегии для предоставления значимых, полезных и доступных данных для всех сотрудников . Нью-Йорк: АМАКОМ. п. 71. ИСБН  978-0-8144-0780-6 .
  3. ^ Ву, С. (2013), «Обзор грубых гарантийных данных и анализа» (PDF) , «Инженерия и системы надежности» , 114 : 1–11, doi : 10.1016/j.ress.2012.12.021
  4. ^ «Заметки об открытии, сборе и оценке скрытого и» . web.mit.edu . Проверено 17 февраля 2017 г.
  5. ^ Уолби, Кевин; Ларсен, Майк (1 января 2012 г.). «Доступ к информации и свобода информационных запросов: забытые средства производства данных в социальных науках» . Качественный запрос . 18 (1): 31–42. дои : 10.1177/1077800411427844 . ISSN   1077-8004 .
  6. ^ Роу, Дэвид (27 апреля 2021 г.). «Какие типы грязных данных наиболее распространены?» . DMCoding .


Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 3bcee3a6e2e3cea0569097700ee8a24a__1719463920
URL1:https://arc.ask3.ru/arc/aa/3b/4a/3bcee3a6e2e3cea0569097700ee8a24a.html
Заголовок, (Title) документа по адресу, URL1:
Dirty data - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)