Quick Responses of Canadian Social Scientists to COVID-19: A Case Study of the 2020 Federal COVID-19-Specific Grant Recipients
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.
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 | 0,018 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,086 | 0,017 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».