Effective mission-oriented research: A new framework for systemic research impact assessment
Notice bibliographique
Résumé
Abstract Mission-oriented research combines a wide array of natural and social science disciplines to offer solutions for complex and multi-dimensional challenges such as climate change, loss of biodiversity, and scarcity of natural resources. The utilization of the outputs of mission-oriented research aims for changes in behavior, policy and practice resulting in real world impacts. Systematically assessing such research impacts and impact-generating processes is novel and offers great potential to plan for impactful research. This article develops a framework for systemic research impact assessment (RIA) on the basis of a literature review taking natural resource management (NRM) research as an example. The review compiles and analyzes 70 relevant RIA approaches. The resulting framework combines four components for improving societal impacts (1) an integrated component enabling reflection of impacts on all sustainability dimensions, (2) a missions component orienting toward societal goals to ensure societal relevance, (3) an inclusive component enabling wide participation to ensure legitimacy of research and its impact, and (4) a strategic component to choose appropriate assessment scales and time dimensions to ensure effectiveness. We provide suitable examples for the framework and we conclude with a call for an increased use of systemic and formative RIA that incorporate participatory strategies for research priority setting as well as socially deliberated target systems (e.g. SDGs), to plan for impactful mission-oriented research.
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 | 0,313 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,027 | 0,013 |
| Études des sciences et des technologies | 0,007 | 0,081 |
| Communication savante | 0,034 | 0,033 |
| Science ouverte | 0,007 | 0,019 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; 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 ».