Time to Professionalise Data Stewardship
Notice bibliographique
Résumé
Materials presented at the workshop "Time to Professionalise Data Stewardship", held during the Open Science Fair in Porto on 17 September 2019. This workshop consisted of a mix of case study presentations and group discussions focussing on the need for professionalising data stewardship roles and how to go from theory and policy to practice and implementation. The “Turning FAIR into Reality” Report of the European Commission FAIR Data Expert Group gives high priority to “the increased provision and professionalisation of data stewardship”. In particular, it states: “New job profiles need to be defined and education programmes put in place to train the large cohort of data scientists and data stewards required to support the transition to FAIR.” A number of current initiatives seek to define these job profiles and address the supply of relevant skills. One example is the FAIR4S Skills Framework defined under the EOSCpilot WP7 on Skills and Capability. Another example is the EOSC FAIRsFAIR project that supports data stewardship training. The workshop aimed to raise awareness of such initiatives among those facing the practical commitments and real experience of building data stewardship roles. As a starting point for discussion, case studies from relevant initiatives explain how they support those intending to hire and train data stewards. In breakout groups, the participants debated what are the current problems and obstacles facing those who are implementing data stewardship (e.g. training and career development), and how current skill and training frameworks and job profiles can help.
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 | 0,001 | 0,009 |
| 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 | 0,001 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,895 | 0,800 |
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 ».