Reading Faculty’s Research Publications Helps to Determine Which Professors to Target for Data Services
Notice bibliographique
Résumé
Objective – The research project examined university faculty’s publications in order to find professors with previous data experiences. The professors could then be approached with an offer of the library’s data services. Design – Bibliographic study. Setting – Department of Crop Sciences in the College of Agricultural, Consumer, and Environmental Sciences at the University of Illinois at Urbana-Champaign. Subjects – A total of 62 assistant, associate, and full professors. Methods – The author searched Web of Science and faculty web pages to find each of the subjects’ two most recent research or review articles. Altogether, 124 articles were read to check whether data sources were used and shared. Data sources were defined as sources other than traditional citations to literature for information or ideas, such as data repositories, supplementary files, and weather stations. Data sharing was defined as publicly sharing data beyond that published in the journal article, such as providing supplementary files with the article or submitting data sets to a disciplinary repository (p. 205). Main Results – Thirty of the 124 articles, which were written by 20 different professors, referred to additional data that was made openly accessible. The analysis of the articles uncovered a variety of data experiences, such as faculty who utilized repository data, published supplementary files, submitted their own data to repositories, or posted data on their university’s website. These 20 faculty members were contacted and asked for a meeting “to discuss their data sharing thoughts and experiences and to ask whether they [saw] a role for the library in facilitating data sharing” (p. 206). The author received a positive response from seven of the faculty members and had a successful meeting with each of them. Conclusion – A bibliographic study can be employed to select which professors to target for data services. While this method is time-consuming, it allows librarians to gather rich data about faculty research that will help them to create customized, relevant messages to professors about the library’s data services. It also allows them to become more knowledgeable about data practices and resources in a particular discipline.
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 | 0,041 | 0,242 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,025 | 0,037 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,014 | 0,017 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,097 | 0,040 |
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 ».