Enhancing research publications and advancing scientific writing in health research collaborations: sharing lessons learnt from the trenches
Notice bibliographique
Résumé
BACKGROUND: Disseminating research protocols, processes, methods or findings via peer-reviewed publications has substantive merits and benefits to various stakeholders. PURPOSE: In this article, we share strategies to enhance research publication contents (ie, what to write about) and to facilitate scientific writing (ie, how to write) in health research collaborations. METHODS: Empirical experience sharing. RESULTS: To enhance research publication contents, we encourage identifying appropriate opportunities for publications, publishing protocols ahead of results papers, seeking publications related to methodological issues, considering justified secondary analyses, and sharing academic process or experience. To advance writing, we suggest setting up scientific writing as a goal, seeking an appropriate mentorship, making full use of scientific meetings and presentations, taking some necessary formal training in areas such as effective communication and time and stress management, and embracing the iterative process of writing. CONCLUSION: All the strategies we share are dependent upon each other; and they advocate gradual academic accomplishments through study and training in a "success-breeds-success" way. It is expected that the foregoing shared strategies in this paper, together with other previous guidance articles, can assist one with enhancing research publications, and eventually one's academic success in health research collaborations.
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 | 0,312 | 0,359 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,011 | 0,006 |
| Études des sciences et des technologies | 0,028 | 0,074 |
| Communication savante | 0,062 | 0,068 |
| Science ouverte | 0,008 | 0,068 |
| Intégrité de la recherche | 0,016 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».