The FAIR Funding Model: Providing a Framework for Research Funders to Drive the Transition toward FAIR Data Management and Stewardship Practices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A growing number of research funding organizations (RFOs) are taking responsibility to increase the scientific and social impact of research output. Also reusable research data are recognized as relevant output for gaining impact. RFOs are therefore promoting FAIR research data management and stewardship (RDM) in their research funding cycle. However, the implementation of FAIR RDM still faces important obstacles and challenges. To solve these, stakeholders work together to develop innovative tools and practices. Here we elaborate on the role of RFOs in developing a FAIR funding model to support the FAIR RDM in the funding cycle, integrated with research community specific guidance, criteria and metadata, and enabling automatic assessments of progress and output from RDM. The model facilitates to create research data with a high level of FAIRness that are meaningful for a research community. To fully benefit from the model, RFOs, research institutions and service providers need to implement machine actionability in their FAIR RDM tools and procedures. As many stakeholders still need to get familiar with “human actionable” FAIR data practices, the introduction of the model will be stepwise, with an active role of the RFOs in driving FAIR RDM processes as effectively as possible.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,009 | 0,030 |
| Science ouverte | 0,021 | 0,017 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle