FAIRplus: D1.2 Selection criteria and guidelines for data sources from IMI projects and EFPIA internal databases
Notice bibliographique
Résumé
Creating selection criteria and guidelines, to aid identification of IMI datasets with the potential to generate high societal impact upon FAIRification, is an important goal of FAIRplus. This deliverable report describes the process put in place to identify, evaluate and select projects. Two thirds of projects to be addressed by FAIRplus will cover societal priorities of H2020, namely; 1) promoting healthy ageing[1]; 2) addressing chronic diseases; 3) neurodegenerative diseases and 4) emergence of antibiotic resistance. In addition, we have identified cross-cutting projects “Cross” which provide tools such as cell lines, biomarkers and animal models, which enable research progression in the primary priority areas. In the first period, some 25 projects have been identified based on the application of the criteria and discussions are ongoing with these consortia representatives in order to provide a steady flow of datasets into FAIRplus. [1] see http://ec.europa.eu/programmes/horizon2020/en/h2020-section/health-demographic-change-and-wellbeing
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 | 0,145 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,021 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,020 | 0,008 |
| Science ouverte | 0,007 | 0,016 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,151 | 0,108 |
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 ».