Research-targeting, spillovers, and the direction of science: Evidence from HIV research-funding
Notice bibliographique
Résumé
HIV/AIDS has been a major focus for research funders. The US National Institutes of Health (NIH) alone has spent over $70bn on HIV/AIDS. Such investments ushered in antiviral drugs, helping to reverse a rapidly growing HIV/AIDS pandemic. However, the idea that research can deliver unexpected benefits beyond its targeted field, in fact, predates HIV/AIDS to at least Vannevar Bush’s influential 1945 report. Cross-disease spillovers – research investments that yield benefits beyond the target disease – remains unexplored, even though it could inform both priority-setting and calculations of returns on research investments. To this end, we took a sample of NIH’s HIV grants and examined their publications. We analyzed 118,493 publications and found that 62% of these were spillovers. We used Medical Subject Headings (MeSH) terms assigned to publications to explore the content of these spillovers, as well as to corroborate non-spillovers. We located spillovers on a network of MeSH co-occurrence, drawn from the broader universe of biomedical publications, for comparison. We found that HIV spillovers were unevenly distributed across disease-space, and often in close proximity to HIV (60% local; 40% remote). We further reviewed 1,000 grant–publication pairs from a local sample and 1,000 pairs from a remote sample. For local spillovers, a quarter seemed to be unexpected, on the basis of their grant description; for remote spillovers, that proportion increased to one third. We also found that the NIH funding institutes whose remits were most closely related to HIV/AIDS were less likely to produce spillovers than others. We discuss implications for theory and policy.
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 | 0,044 | 0,224 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,014 | 0,028 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».