Collaborative Data Management: Best Practices throughout the Data Life Cycle
Notice bibliographique
Résumé
While there is increased recognition of the value of rigorous data management, budgets and resources for this kind of activity are stagnant or decreasing. Perhaps because of this, there has been a growing interest in pursuing collaborative efforts to implement best practices throughout the research data life cycle. Effective collaborations can be local, involving individual researchers or research teams, or large-scale initiatives involving multiple institutions in either informal relationships or formal partnerships such as consortia. When data is collected, processed, archived, or disseminated as part of a collaborative process, the potential for problems is heightened - but so are the rewards. This session will look at examples of effective collaborative data management at all stages of the data life cycle, and consider some of the challenges and potential successes at play when we work together to improve data collection, preservation, and access. Examples will range from landmark projects to emerging initiatives, and include case studies from the Ontario Council of University Libraries (OCUL), an academic library consortium
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 | 0,324 | 0,343 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,016 | 0,020 |
| Études des sciences et des technologies | 0,015 | 0,027 |
| Communication savante | 0,062 | 0,057 |
| Science ouverte | 0,020 | 0,029 |
| Intégrité de la recherche | 0,011 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».