Factors for Cross-disciplinary Research Collaboration: Experiences of Researchers at the Faculty of Engineering and Built Environment, UKM
Notice bibliographique
Résumé
Cross-disciplinary research is a research activity that involves researchers of multiple disciplines in studying new knowledge. Cross-disciplinary research extends beyond simple collaboration to integrate data, methodologies, perspectives and concepts from various fields to understand the basics or find the solution for real world problems. The approach of cross-disciplinary research taken at the Faculty of Engineering and Built Environment (FKAB), in transforming the researcher, is still deem to be at its minimum because there has yet to be a study on unravelling the difficulties and challenges of reinforcing cross-disciplinary research. Furthermore, the absence of a guideline for conducting such research prohibits the researcher to pursue his research into different discipline. The purpose of this paper is to examine the challenge and difficulty factors that contribute to the less than effective cross-disciplinary researches at the FKAB in particular, and in UKM in general. In addition, through the conducted data analysis, a preliminary guideline can be formed, which can then be used as a guide and resource to develop awareness and capability in implementing cross-disciplinary research. The study was conducted using qualitative and quantitative methods. The qualitative method taken was distributing a questionnaire to academicians at the FKAB. Data obtained are then analysed using WinSteps 3.68.2, which is software utilised in Rasch analysis. Overall, results show that the main factor contributing to difficulties in implementing cross-disciplinary research is the need for solid financial funding.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».