Notice bibliographique
Résumé
A Review of: Johnston, L. R., Carlson, J., Hudson-Vitale, C., Imker, H., Kozlowski, W., Olendorf, R., & Stewart, C. (2018). How important are data curation activities to researchers? Gaps and opportunities for academic libraries. Journal of Librarianship and Scholarly Communication, 6(1), 1-24. https://doi.org/10.7710/2162-3309.2198 Abstract Objective – To identify the data curation activities most valued by researchers at universities. Design – Focus group and survey instrument. Setting – Six R1: Doctoral Universities in the United States of America that are part of a Data Curation Network (DCN) project to design a shared data curation service. Subjects – 91 researchers, librarians, and support staff. Methods – The authors used focus group methodology to collect data about valued data curation activities, current practices, and satisfaction with existing services or activities. Six focus groups were conducted at participants’ places of employment. Participants reviewed a list of 35 possible data curation activities, including documentation, data visualization, and rights management. A card-swapping exercise enabled subjects to rank the most important issues on a scale of 1-5, with “most important” activities becoming the subject of a facilitated discussion. In a short paper-based survey, participants also noted whether a data curation practice is in place at their institution, and their satisfaction with the practice. Main Results – Twelve data curation activities were identified as “highly rated” services that academic institutions could focus on providing to researchers. Documentation, Secure Storage, Quality Assurance, and Persistent Identifier were the data curation activities that the majority of participants rated as “most important.” Participants identified the data curation practices in place at their institutions, including documentation (80%), secure storage (75%), chain of custody (64%), metadata (63%), file inventory or manifest (58%), data visualization (58%), versioning (56%), file format transformations (55%), and quality assurance (52%). Participants reported low levels of satisfaction with their institutions’ data curation activities. Conclusion – Academic libraries have an opportunity to develop or improve existing data curation services by focusing on the twelve data curation activities that researchers, staff, and librarians value but that could be implemented in a more satisfactory way. The authors conclude that their organization, the Data Curation Network, has an opportunity to improve data curation services or to offer new or expanded services.
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 | 0,151 | 0,489 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,010 | 0,005 |
| Communication savante | 0,021 | 0,031 |
| Science ouverte | 0,009 | 0,022 |
| Intégrité de la recherche | 0,013 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,208 | 0,143 |
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 ».