How to set the agenda for training in responsible conduct of research using the target audience as a narrative guide
Notice bibliographique
Résumé
There is a growing interest in training on responsible conduct of research (RCR). The availability and range of such training materials, for a diversity of audiences and addressing a diversity of RCR related topics, is growing too. This is of great help to all who are looking for materials to set up their RCR training, but how can one select what topics to include within the often-limited time available for training? In this paper we propose a step-by-step approach to set the agenda for RCR training, using the target audience as a narrative guide. The process consists of six steps: (1) mapping the needs and translating them into learning objectives; (2) prioritizing, selecting, and combining objectives and themes; (3) demarcation of the training; (4) completion of the program; (5) development or adaptation of training materials; and (6) pilot and evaluation. The development process of a training program for researchers in Dutch Universities of Applied Sciences is used as an example to illustrate the step-by-step process.
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 | 0,239 | 0,222 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,033 |
| Communication savante | 0,028 | 0,039 |
| Science ouverte | 0,007 | 0,021 |
| Intégrité de la recherche | 0,022 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,013 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».