The FAIR Funding Model: Providing a Framework for Research Funders to Drive the Transition toward FAIR Data Management and Stewardship Practices
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.
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 | 0,338 | 0,306 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,012 | 0,035 |
| Communication savante | 0,048 | 0,053 |
| Science ouverte | 0,013 | 0,031 |
| Intégrité de la recherche | 0,017 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».