Rethinking resource allocation in science
Notice bibliographique
Résumé
Many funding agencies rely on grant proposal peer review to allocate scientific funding, i.e., researchers compete for funding by submitting proposals that are reviewed and ranked by committees of their peers.Only a fraction of applicants are awarded the requested funds.This system has a long and venerable tradition, but it is increasingly struggling to handle the larger number of applications, suffers from high levels of administrative overhead, may be unreliable in separating successful from unsuccessful projects, and may suffer from bias against innovative ideas, young researchers, and female scientists.We have proposed redesigning funding systems according to a few simple principles, namely, focusing on funding people instead of projects and involving as many scientists in funding decisions as possible.This underpins a proposal for a novel funding system in which every scientist periodically receives an equal, unconditional amount of funding but must anonymously donate a given fraction of everything he or she receives to other scientists of his or her choice.Over time, this simple process will lead to a funding distribution that reflects the entire scientific community, fosters young scientists, and reduces overhead.However, in spite of its simplicity, we must address certain challenges in its implementation such as deciding who participates in the funding system, how to control for conflicts of interest and bias, and how to manage its application.Funding agencies will play a pivotal role in the development and management of this system.
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 | 0,110 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,041 |
| Communication savante | 0,021 | 0,030 |
| Science ouverte | 0,006 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».