MétaCan
Menu
Retour à la cohorte
Enregistrement W2913994264 · doi:10.1007/s40037-019-0496-3

Progressive research collaborations and the limits of soft power

2019· article· en· W2913994264 sur OpenAlexafffund
Olga Kits, Camille Angus, Anna MacLeod, Jonathan Tummons

Notice bibliographique

RevuePerspectives on Medical Education · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of VictoriaNova Scotia Health AuthorityDalhousie University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaDalhousie University
Mots-clésGeneral partnershipSoft powerPower (physics)Public relationsHealth careMedical educationHard powerEngineering ethicsKnowledge managementComputer scienceMedicinePolitical scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Collaboration in diverse teams is a central topic area in medical education, health research, and healthcare. As medical education researchers we implemented an internal grant policy to develop a progressive research partnership based on widely accepted guidelines for responsible conduct of research. Our intention was to proactively manage and guide group expectations around issues such as access to data and authorship. Our policy was based on 'soft power' principles, using the persuasiveness of ideas, relationships and inducements to encourage people to 'want what you want.' This article shares how we developed and implemented the policy, experienced first-hand the limits of soft power, and it explicates some of the lessons learned.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,413
score de la tête « metaresearch » (Gemma)0,462
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,413
Score d'incertitude au seuil0,724

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,4130,462
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0060,003
Études des sciences et des technologies0,0200,171
Communication savante0,0330,043
Science ouverte0,0080,070
Intégrité de la recherche0,0160,025
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,436
Écart entre enseignants0,408 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePerspectives on Medical EducationMême sujetInnovations in Medical EducationTravaux en français237 207