Managing regional centres' of expertise collaborations with stakeholders including higher education institutions
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to assist the United Nations Regional Centres of Expertise (RCEs) in continuing their fundamental work within the region and to address some of the prominent challenges within the RCE community. Specific RCE case studies from the global network were employed, emphasizing experiences in collaboration with multiple stakeholders including higher education institutions. Design/methodology/approach – Conducting a literature review and employing a qualitative research methodology with the use of a guided questionnaire, the paper aims to gain a deeper understanding of the operations of RCEs in general and more specifically the case studies. Findings – The paper shows some of the strategies implemented by the cohort of case studies to overcome their common challenges. Key recommendations based on the findings are made in its quest for continual development and final conclusions assessing the contentious challenges are drawn. Research limitations/implications – This paper focuses on RCEs within Europe, with cases from the USA and Canada for comparison. Although the paper highlights common themes and challenges, it is highly probable that RCEs outside of the studied regions may contend with similar challenges; further research would have to be conducted to assess the wider scope of the situation. Originality/value – The paper gives an external perspective of the challenges faced and identifies some areas in which improvements could be made. It is also generated from information gathered from multi-case study RCEs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,003 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».