Social Scientists’ Data Reuse Principally Influenced by Disciplinary Norms, Attitude, and Perceived Effort
Notice bibliographique
Résumé
A Review of: Yoon, A. & Kim, Y. (2017). Social scientists’ data reuse behaviors: Exploring the roles of attitudinal beliefs, attitudes, norms, and data repositories. Library & Information Science Research, 39(3), 224–233. https://doi.org/10.1016/j.lisr.2017.07.008 Abstract Objective – To propose and test a model grounded in constructs from psychology and information systems to explain data reuse behaviours and practices in the social sciences. Design – Electronic survey. Setting – ProQuest’s Community of Science Scholars database. Subjects – Included 2,193 randomly selected social scientists associated with U.S. academic institutions. Methods – An electronic survey was distributed to a random sample of U.S.-based social science scholars from ProQuest’s Community of Science Scholars database. The survey adapted 21 measurement items for constructs taken from the theory of planned behaviour (TPB) and the technology acceptance model (TAM), including perceived usefulness, perceived effort, and the subjective norm surrounding data reuse. Main Results – There were 292 valid responses received, giving a response rate of 14.91%. Survey data largely validated the authors’ theoretical model. Attitudinal, normative, and resource factors all influence social scientists’ intended data reuse. In particular, perceived usefulness of reusing data and subjective norms surrounding data reuse in one’s discipline positively correlate with intentions to reuse data, and perceived concern of reusing data negatively correlate with intentions to reuse data. Conclusion – Data reuse in the social sciences is influenced by the perceptions and beliefs held by social scientists. Social scientists reuse others’ data when they perceive that doing so would improve their research productivity and when their discipline has strong norms of data reuse. They avoid reusing others’ data when they believe that doing so is problematic (e.g., if they believe reusing infringes on copyright). Supporters of data sharing, including librarians, are encouraged to apply these findings by proactively educating researchers on the benefits, potential obstacles, and methods of data reuse.
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 | 0,025 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».