PUBLICATION OF RESEARCH DATA MANAGEMENT IN OPEN ACCESS JOURNAL ANALYSIS BASED ON SCOPUS DATA
Notice bibliographique
Résumé
The study aims to determine: (1) the number of open access resources for research data management publications indexed by Scopus, including the year of publication, source of publication, authors, institutions, countries, types of documents and funding agencies; (2) mapping research data management based on keywords. The results of the study showed that the number of open access resources for research data management publications has started since 1981 and the number has continued to increase starting in 2014 and the highest number occurred in 2019, namely 49 publications. The most publicized journals that open access to research data management was the Data Science Journal, which was 11 publications. The most productive author of conducting research data management publications was Cox, A.M. and Pinfield, S. The largest institutions contributing to the publication of open access research data management were the University of Toronto and New York University. The countries that contributed the most were the United States with 50 publications, then China with 38 publications. The most open access research data management in the form of articles as many as 107 and 37 conference paper publications. The institutions that provided the most funding sponsors were the Deutsche Forschungsgemeinschaft and the National Science Foundation. The results of keyword mapping with VOSViewer showed that big data, research data management, information management, data management, medical research topics, software, information processing, and metadata were the most researched topics.
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 | 0,026 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,130 | 0,188 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,009 |
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 ».