Research Data Alliance Pathways: RDA 20th Plenary Synopsis
Notice bibliographique
Résumé
<p><strong>About the RDA Pathways</strong></p>\n\n<p>The Research Data Alliance (RDA) Pathways were created by the RDA’s <a href="https://www.rd-alliance.org/about-rda/our-leadership/rda-technical-advisory-board.html">Technical Advisory Board</a> to help community members navigate all RDA activities. This synopsis enhances the <a href="https://www.rd-alliance.org/plenaries/rda-20th-plenary-meeting-gothenburg-hybrid">RDA’s 20th Plenary</a> experience by providing an overview of all pathways plus their relevant Plenary sessions, RDA groups, recommendations and outputs, and ambassadors.  <strong> </strong></p>\n\n<p><strong>Methodology</strong></p>\n\n<p>Machine learning classification and clustering algorithms were employed to map RDA groups, recommendations and outputs, to the Plenary pathways. A text mining exercise was undertaken to assign a list of specific keywords to each Plenary pathway using session application texts submitted by groups in 2019 and 2020. Group charters and case statement texts, harvested from the RDA website, were mined for these keywords to map groups to the Plenary pathways. Similarly, recommendations and output texts, harvested from the RDA website and Zenodo, were mined for these keywords to map recommendations and outputs to the Plenary pathways. Not all groups, recommendations and outputs were mapped to a Plenary pathway. 🔗 The data and code generated and analysed are available on <a href="https://github.com/faresdhane/RDA_Pathways">GitHub</a>.</p>
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 | 0,011 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,019 | 0,022 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,066 |
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; les deux têtes enseignantes 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 ».