Effective Practices and Strategies for Open Access Outreach: A Qualitative Study
Notice bibliographique
Résumé
INTRODUCTION There are many compelling reasons to make research open access (OA), but raising the awareness of faculty and administrators about OA is a struggle. Now that more and more funders are introducing OA policies, it is increasingly important that researchers understand OA and how to comply with these policies. U.K. researchers and their institutions have operated within a complex OA policy environment for many years, and academic libraries have been at the forefront of providing services and outreach to support them. This article discusses the results of a qualitative study that investigated effective practices and strategies of OA outreach in the United Kingdom. METHODS Semistructured interviews were conducted with 14 individuals at seven universities in the United Kingdom in late 2015. Transcripts of these interviews were analyzed for dominant themes using an inductive method of coding. RESULTS Themes were collected under the major headings of “The Message”; “Key Contacts and Relationships”; “Qualities of the OA Practitioner”; and “Advocacy versus Compliance.” DISCUSSION Results indicate that messages about OA need to be clear, concise, and jargon free. They need to be delivered repeatedly and creatively adapted to specific audiences. Identifying and building relationships with influencers and informers is key to the uptake of the message, and OA practitioners must have deep expertise to be credible as the messengers. CONCLUSION This timely research has immediate relevance to North American libraries as they contend with pressures to ramp up their own OA outreach and support services to assist researchers in complying with new federal funding policies.
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 | 0,057 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,077 | 0,053 |
| Science ouverte | 0,006 | 0,002 |
| 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 ».