MétaCan
Menu
Retour à la cohorte
Enregistrement W3109338987 · doi:10.18438/eblip29814

Shifting Horizons: A Literature Review of Research Data Management Train-the-Trainer Models for Library and Campus-Wide Research Support Staff in Canadian Institutions

2021· review· en· W3109338987 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
venuePublié dans une revue dont le pays d'attache est le Canada.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueEvidence Based Library and Information Practice · 2021
Typereview
Langueen
DomaineComputer Science
ThématiqueResearch Data Management Practices
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésRDMContext (archaeology)TrainerThematic analysisFocus groupKnowledge managementComputer scienceMedical educationQualitative researchSociologyPedagogyMedicine

Résumé

récupéré en direct d'OpenAlex

Objective – In consideration of emerging national Research Data Management (RDM) policy and infrastructure, this literature review seeks answers to the following questions: 1) What is the most effective way for a Canadian research university to build capacity among library and campus-wide research support staff, with a view towards providing coordinated RDM support services for our researcher community?2) What international training models and course offerings are available and appropriate for a local context?3) What national guidelines and best practices for pedagogical design and delivery can be adapted for a local context? Methods – This literature review synthesizes a total of 13 sources: 9 articles, 2 book chapters, and 2 whitepapers. The whitepapers were selected for a narrative literature review because of their focus on case studies detailing train-the-trainer models. Within the 13 sources we found 14 key case studies. This review serves as a supplement to the 2017 CARL Portage Training Expert Group white paper, “Research Data Management Training Landscape in Canada,” the focus of which was to identify RDM training gaps in order to recommend a coordinated approach to RDM training in a national environment. Results – The narrative review of case studies revealed three thematic areas. Firstly, pedagogical challenges were identified, including the need to target training to RDM support staff such as librarians and researchers, as they comprise distinct groups of trainees with divergent disciplinary vocabularies and incentives for training. Secondly, the case studies cover a broad range of pedagogical models including single or multiple sessions, self-directed or instructor-led, in-person or online instruction, and a hybrid of the two. Finally, RDM training also emerged as a key factor in community building within library staff units, among service units on campus, and with campus research communities. Conclusion – RDM training programs at local institutions should be guided by a set of principles aligned with the training methods, modes of assessment, and infrastructure development timeline outlined in a national training strategy. When adapting principles and training strategies to a local context, the following trends in the literature should be considered: librarians and researchers must have meaningful incentives to undertake training in RDM or to join a community of practice; disciplinary-specific instruction is preferable to general instruction; a librarian’s own training opportunities will influence their ability to provide discipline-specific RDM instruction to researchers; in-person training opportunities improve learning retention and produce beneficial secondary effects, whereas online instruction is most effective when paired with an in-person component; generalized third-party RDM training should be adapted to local context to be meaningful. Future directions for RDM training will integrate into open access and digital scholarship training, and into cross-disciplinary, open science communities of practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,021
score de la tête « metaresearch » (Gemma)0,016
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Communication savante, Science ouverte
Catégories consensuellesCommunication savante
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,832
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0210,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,007
Études des sciences et des technologies0,0010,000
Communication savante0,0080,682
Science ouverte0,0050,005
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,272
Tête enseignante GPT0,467
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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