You are not alone: selecting your group members and leading an outstanding research team
Notice bibliographique
Résumé
Being hired in a faculty position is the pot of gold at the end of the scientific training rainbow.After years of education and postdoctoral training, this first faculty job is a thrilling progression in a scientific career that allows us to develop our own research program and pursue the questions that most interest us, but starting a lab from scratch comes with a unique set of pressures and struggles.Luckily, Principle Investigators (PIs) don't have to walk alone, as most build teams to work with.Thus, one of the first and most important things to do at this critical career stage is to recruit team members.Subsequently, the PI leads and guides the group both in terms of the scientific projects and facilitating the career progression of the team members.While scientists are generally very well trained in designing and running experiments, most of us do not receive much, if any, training in the organizational skills needed for managing a group of people and inspiring them to do great work and plan for the future.This is a problem because proper selection, training, and mentoring of team members are essential to achieve scientific aims.The Federation of European Neurosciences (FENS) and the Kavli foundation have established a new group called the FENS-Kavli Network of Excellence (http://www.fens.org/Outreach/FENS-Kavli- Network-of-Excellence/) to provide peer support for early career neuroscientists and to provide a voice for people at this career stage in shaping the future of Neuroscience.Part of this support is this series of Opinion Articles in EJN to provide advice about different aspects of career progression in neuroscience.The first in the series was a piece about getting hired and negotiating a group leader position (Karadottir et al., 2015).Here we will discuss the next stage of the process, building and effectively leading a research team.There is a glaring omission in this article, the elephant in the lab, which is how to get funding, but don't worry, the next in the series of Opinion Articles will be entirely dedicated to funding.For now, we will focus on recruitment, leadership, mentoring, and handling problems in the team.Unfortunately there is not a magic recipe for cooking up the perfect research group, but we hope that our experiences will at least help avoid some of the common pitfalls and provide some tips that have helped us along the way.
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 | 0,060 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,021 | 0,009 |
| Communication savante | 0,025 | 0,016 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,009 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,039 |
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 ».