An Institutional Process for Brokering Community-Campus Research Collaborations
Notice bibliographique
Résumé
Knowledge mobilization seeks to identify and support authentic research collaborations between community and university so that benefits of the research accrue to both partners. Knowledge brokering is a key knowledge mobilization mechanism that helps community and university partners connect and build relationships in order to share expertise for mutual opportunity. There remains a need to describe in detail the typical knowledge brokering devices and methodologies. This paper presents a detailed description of York University’s knowledge brokering service which is based on eight years of knowledge mobilization practice. The process is broken into 5 broad stages: 1) in progress; 2) no match; 3) match and no activity; 4) match and activity; 5) match and project. Stage 5 includes a step to identify the non-academic impacts of the collaborative research project. This process is illustrated using examples from York University’s practice in which a match was brokered for 82% of the 342 knowledge mobilization opportunities received between 2006-2014. York University partners with United Way York Region (UWYR) to create a regional approach to knowledge mobilization supports. This paper illustrates the impacts on community and university knowledge mobilization partners following the introduction of a community-based knowledge broker at UWYR.
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 | 0,052 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,017 | 0,017 |
| Communication savante | 0,016 | 0,014 |
| Science ouverte | 0,003 | 0,027 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 ».