Research Data Management Practices at the University of Namibia: Moving Towards Adoption
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
The management of research data in academic institutions is increasing across most disciplines. In Namibia, the requirement to manage research data, making it available for the purposes of sharing, preservation and to support research findings, has not yet been mandated. At the University of Namibia (UNAM) there is no institutional research data management (RDM) culture, yet RDM may nevertheless be practiced among its researchers. The extent to which these practices have been adopted is, however, not known. This study investigated the extent of RDM adoption by researchers at UNAM. It identifies current or potential challenges in managing research data, and proposes solutions to some of these challenges that could aid the university as it attempts to encourage the adoption of RDM practices. The investigation used Rogers’ Diffusion of Innovations (DOI) theory, with a focus on the innovation-decision process, as a means to establish where UNAM researchers are in the process of adopting RDM practices. The population under study were the UNAM faculty members who conduct research as part of their academic duties. Questionnaires were used to gather quantitative data. The study found that some researchers practice RDM to some extent out of their own free will, but there are many challenges that hinder these practices. Overall, though, there is a lack of interest in RDM as the knowledge of the concept among researchers is relatively low. The study found that most researchers were at the knowledge stage of the innovation-decision process and recommended, among other things, that the university puts effort into creating RDM awareness and encouraging data sharing, and that it moves forward with infrastructure and policy development so that RDM can be fully adopted by the researchers of the institution.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,055 |
| Science ouverte | 0,006 | 0,008 |
| 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