Ten simple rules for creating a brand-new virtual academic meeting (even amid a pandemic)
Notice bibliographique
Résumé
The increased democratization of the creation, implementation, and attendance of academic conferences has been a serendipitous benefit of the movement toward virtual meetings. The Coronavirus Disease 2019 (COVID-19) pandemic has accelerated the transition to online conferences and, in parallel, their democratization, by necessity. This manifests not just in the mitigation of barriers to attending traditional physical conferences but also in the presentation of new, and more importantly attainable, opportunities for young scientists to carve out a niche in the landscape of academic meetings. Here, we describe an early "proof of principle" of this democratizing power via our experience organizing the Canadian Computational Neuroscience Spotlight (CCNS; crowdcast.io/e/CCNS), a free 2-day virtual meeting that was built entirely amid the pandemic using only virtual tools. While our experience was unique considering the obstacles faced in creating a conference during a pandemic, this was not the only factor differentiating both our experience and the resulting meeting from other contemporary online conferences. Specifically, CCNS was crafted entirely by early career researchers (ECRs) without any sponsors or partners, advertised primarily using social media and "word of mouth," and designed specifically to highlight and engage trainees. From this experience, we have distilled "10 simple rules" as a blueprint for the design of new virtual academic meetings, especially in the absence of institutional support or partnerships, in this unprecedented environment. By highlighting the lessons learned in implementing our meeting under these arduous circumstances, we hope to encourage other young scientists to embrace this challenge, which would serve as a critical next step in further democratizing academic meetings.
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 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes 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 ».