Principles for building public-private partnerships to benefit food safety, nutrition, and health research
Notice bibliographique
Résumé
The present article articulates principles for effective public-private partnerships (PPPs) in scientific research. Recognizing that PPPs represent one approach for creating research collaborations and that there are other methods outside the scope of this article, PPPs can be useful in leveraging diverse expertise among government, academic, and industry researchers to address public health needs and questions concerned with nutrition, health, food science, and food and ingredient safety. A three-step process was used to identify the principles proposed herein: step 1) review of existing PPP guidelines, both in the peer-reviewed literature and at 16 disparate non-industry organizations; step 2) analysis of relevant successful or promising PPPs; and step 3) formal background interviews of 27 experienced, senior-level individuals from academia, government, industry, foundations, and non-governmental organizations. This process resulted in the articulation of 12 potential principles for establishing and managing successful research PPPs. The review of existing guidelines showed that guidelines for research partnerships currently reside largely within institutions rather than in the peer-reviewed literature. This article aims to introduce these principles into the literature to serve as a framework for dialogue and for future PPPs.
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 | 0,201 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,010 | 0,033 |
| Communication savante | 0,022 | 0,028 |
| Science ouverte | 0,005 | 0,028 |
| Intégrité de la recherche | 0,017 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».