Next‐generation field courses: Integrating Open Science and online learning
Notice bibliographique
Résumé
As Open Science practices become more commonplace, there is a need for the next generation of scientists to be well versed in these aspects of scientific research. Yet, many training opportunities for early career researchers (ECRs) could better emphasize or integrate Open Science elements. Field courses provide opportunities for ECRs to apply theoretical knowledge, practice new methodological approaches, and gain an appreciation for the challenges of real-life research, and could provide an excellent platform for integrating training in Open Science practices. Our recent experience, as primarily ECRs engaged in a field course interrupted by COVID-19, led us to reflect on the potential to enhance learning outcomes in field courses by integrating Open Science practices and online learning components. Specifically, we highlight the opportunity for field courses to align teaching activities with the recent developments and trends in how we conduct research, including training in: publishing registered reports, collecting data using standardized methods, adopting high-quality data documentation, managing data through reproducible workflows, and sharing and publishing data through appropriate channels. We also discuss how field courses can use online tools to optimize time in the field, develop open access resources, and cultivate collaborations. By integrating these elements, we suggest that the next generation of field courses will offer excellent arenas for participants to adopt Open Science practices.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 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 ».