On your marks, get set, fund! Rapid responses to the Covid-19 pandemic
Notice bibliographique
Résumé
This paper presents findings from an analysis of seven multidisciplinary national research funders’ responses to COVID-19. We posit that while some parts of research and innovation funding responses to COVID-19 were ‘pandemic responses’ in the conventional biomedical sense, other parts were thematically far broader and are better termed ‘societal emergency’ funding. This type of funding activity was unprecedented for many funders. Yet, it may signal a new/additional mission for research funders, which may be required to tackle future societal emergencies, medical or otherwise. Urgency (i.e., the need to deploy funding quickly) is a key distinguishing theme in these funding activities. This paper explores the different techniques that funders used to substantially speed up their application and assessment processes to ensure research on COVID-19 could commence as quickly as possible. Funders used a range of approaches, both before application submission (call design, application lengths and formats) and after (review and decision-making processes). Our research highlights a series of trade-offs, at the heart of which are concerns around simultaneously ensuring the required speed as well as the quality of funding-decisions. We extract some recommendations for what a generic ‘societal emergency’ funding toolkit might include to optimally manage these tensions in case national research funders are called upon again to respond to future crises.
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 | 0,043 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 ».