It takes two to tango: knowledge mobilization and ignorance mobilization in science research and innovation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The main goal of this paper is to propose a dynamic mapping for knowledge and ignorance mobilization in science research and innovation. An underlying argument is that ‘knowledge mobilization’ science policy agendas in countries such as Canada and the United Kingdom fail to capture a critical element of science and innovation: ignorance mobilization. The latter draws attention to dynamics upstream of knowledge in science research and innovation. Although perhaps less visible, there is ample evidence that researchers value, actively produce, and thereby mobilize ignorance. For example, scientists and policymakers routinely mobilize knowledge gaps (cf. ignorance) in the process of establishing and securing research funding to argue the relevance of a scientific paper or a presentation, and to launch new research projects. Ignorance here is non-pejorative and by and large points to the borders and the limits of scientific knowing – what is known to be unknown. In addition, processes leading to the intentional or unintentional consideration or bracketing out of what is known to be unknown are intertwined with, yet remain distinct from, knowledge mobilization dynamics. The concepts of knowledge mobilization and of ignorance mobilization, respectively, are understood to be the use of knowledge or ignorance towards the achievement of goals. The value of this paper lies in its conceptualization of the mobilization of knowledge as related to the mobilization of ignorance within a complex, dynamic and symbiotic relationship in science research and innovation: it takes two to tango .
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.
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 | 0,043 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,103 | 0,430 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| 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 découle