Quick Responses of Canadian Social Scientists to COVID-19: A Case Study of the 2020 Federal COVID-19-Specific Grant Recipients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract COVID-19 prompted an abundance of independent and collaborative quick response disaster research (QRDR) initiatives globally. The 2020 federal COVID-19-driven granting opportunities initiated the first official QRDR effort in Canadian history, engaging social scientists to rapidly address the pandemic-related societal influences. This study aims to portray the landscape of this nascent social science QRDR workforce through the first round of federal COVID-19-specific grant recipients. A case study approach was employed to analyze 337 social science projects with 1119 associated researchers, examining the demographic structure of these COVID-19-driven social science researchers and their research projects’ characteristics. Accordingly, the findings are presented through the following two streams: (1) From a researcher perspective, this case study describes researcher typology, geographic location, primary discipline, and educational background, highlighting the diverse characteristics of social sciences researchers, and uneven research development across Canada. (2) From a research project perspective, this case study identifies and synthesizes research project subjects, themes, collaborations, and Canadian distinctions, emphasizing the need for galvanizing cooperation and focusing on uniquely Canadian contexts. The case study illustrates challenges associated with data curation that pose barriers to developing a nuanced understanding of the Canadian social science community COVID-19 research landscape. Consequently, the case study develops three recommendations to improve QRDR development in Canada: promoting information transparency, dissemination, and updates; improving hazards and disaster research workforce evaluation; and enhancing multi-stakeholder cooperation.
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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle