University Research Funding: More than Supporting the Best to Do the Best
Notice bibliographique
Résumé
According to Howard Birnbaum, the “‘margarine method’ of spreading research funds equally thin among all possible recipients is a waste of resources.”Quite the contrary. Despite the insulting sound, “margarine funding” is the best way to encourage serendipity, creativity, and originality in research. All university professors are expected to be efficient teachers and researchers. The highly competitive system of faculty appointments assures that, with rare exceptions, all university professors have the ability and training for both of those roles. Although equal grants for all are indeed impractical, there are viable and fiscally responsible alternatives to the present all-or-nothing funding model.If we keep in mind the known rule of economics that the first dollars are the most cost-efficient, the funding model under which all active university researchers receive a small default grant, say, $3000 to $5000 per year (but could apply for higher amounts on a competitive basis, if they wish), makes much more sense, both economically and socially, than the “winner takes all” selectivity model. The award of such a minimal grant should be based only on evidence of ongoing productivity—for example, one or two peer-reviewed papers each year. No proposal writing should be required for these default grants, apart from perhaps a one-page summary that should not require a separate peer review if copies of the applicant’s peer-reviewed papers are attached. More details and an extensive bibliography can be found in reference 1 1. A. A. Berezin, Interdisciplinary Sci. Rev. 26(2), 97 (2001)..REFERENCESSection:ChooseTop of pageREFERENCES <<1. A. A. Berezin, Interdisciplinary Sci. Rev. 26(2), 97 (2001). Google ScholarCrossref© 2002 American Institute of Physics.
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 | 0,027 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,170 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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 tête enseignante, 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 ».