More and Better Grant Proposals? The Evaluation of a Grant-Writing Group at a Mid-Sized Canadian University.
Notice bibliographique
Résumé
Obtaining external funding has become increasingly difficult for Canadian researchers in the social sciences and humanities. Our literature review suggests that grant-writing groups and workshops make an important contribution to increasing both applications for external funding and success in funding competitions. This article describes an 8-month grant-writing group for 14 social scientists in a mid-sized Canadian university. The goal was to increase applications and successes in funding competitions. The group integrated several strategies perceived by Porter (2011b) to encourage more and better grant proposals: offering "homegrown" workshops that were ongoing rather than occasional, sharing successful proposals, coaching and editing, bringing together emerging researchers with established ones, and placing participants in reviewers' shoes. These strategies were combined in a series of monthly sessions that required participants to write each section of a grant proposal and share it with others for feedback. Participants perceived this approach to work well; it appeared to provide useful feedback and examples, and develop a sense of accountability and community. The number of applications submitted for funding increased 80% from the funding cycle just prior to the group (2013-2014) to the funding cycle during or immediately after the group (2015-2016). The rate of success in obtaining funds from internal and external grant submissions increased from 33% to 50% over this same time period. The greatest increase in submissions and success were experienced by emerging and alternative academic researchers. From their program evaluation, authors conclude that grant-writing groups are a useful way to build researcher confidence and commitment to submitting proposals to funding competitions and contribute to success, especially for researchers with limited experience in such competitions.
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 | 0,128 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,029 | 0,009 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,008 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».