Building Partnerships Between Social Science Data Archives and Institutional Repositories
Notice bibliographique
Résumé
The Data-PASS partnership engages in collaboration at three levels: coordinated operations, development of best practices, and creation and use of open-source shared infrastructure. The first talk in the session provides an update on our search for replication and distributed storage technologies for preservation. Systems like iRODS and LOCKSS can be developed into preservation environments for social science data archives. The key when implementing these preservation environments will be the modification of existing archive policies and procedures to reflect new dependence on collaboration. The second talk discusses the collection of international public opinion data collected by the USIA, which began in 1952 and extended through 1999. Until recently, these data were difficult to access. The Roper Center and the National Archives and Records Administration have identified, rescued, and made these data available to the research community. The third talk describes a new alliance between ICPSR and Institutional Repositories (IRs) with the goal of preserving and re-using social science data. This talk focuses on the formation of these partnerships; how an archiving guide for IRs will be developed; and new services that ICPSR can offer to IRs to assist with social science data. The fourth talk summarizes the efforts of ICPSR and the Roper Center to migrate punched card data to modern preservation formats. This presentation focuses on the recovery of the Cornell Retirement Study, a longitudinal study that began in 1952. The final talk discusses the current collaborative structure of Data-PASS, our agreements, infrastructure, and the services and infrastructure available to new partners.
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 | 0,002 | 0,003 |
| 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 | 0,006 | 0,001 |
| Communication savante | 0,014 | 0,022 |
| Science ouverte | 0,008 | 0,016 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».