MétaCan
Menu
Retour à la cohorte
Enregistrement W1977290048 · doi:10.1177/0002764214556806

Collaborating, Connecting, and Clustering in the Humanities

2014· article· en· W1977290048 sur OpenAlexafffund
Anabel Quan‐Haase, Juan Luis Suárez, David Brown

Notice bibliographique

RevueAmerican Behavioral Scientist · 2014
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueComplex Network Analysis Techniques
Établissements canadiensWestern University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésScholarshipCluster analysisPrincipal (computer security)Thematic mapSociologyDigital humanitiesCollaborative networkData scienceHumanitiesComputer scienceLibrary scienceSocial sciencePolitical scienceGeographyArtificial intelligenceArtCartography

Résumé

récupéré en direct d'OpenAlex

To what extent does networked scholarship in the humanities parallel established models in the sciences? The present study examines the connections of a 7-year interdisciplinary, dispersed, collaborative network composed of 33 humanities scholars investigating the Hispanic Baroque. Our findings suggest that project membership leads to greater network density and integration, without necessarily increasing the level of in-depth collaboration typically found in the sciences. Hence, collaborative models in the humanities, while increasingly important, are distinct from their counterparts in the sciences. The study provides a more nuanced view of networked scholarship because it demonstrates that large-scale collaborative projects can yield a high level of integration of the overall network, while at the same time allowing for strong thematic clustering. This dual structural process is relevant because not all network members can form dense relations with one another. Furthermore, we identified that principal investigators showed different networking strategies.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,366
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,306
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Behavioral ScientistMême sujetComplex Network Analysis TechniquesTravaux en français237 207