Research Data Management in the Humanities: Challenges and Opportunities in the Canadian Context
Notice bibliographique
Résumé
In recent years, research funders across the world have implemented mandates for research data management (RDM) that introduce new obligations for researchers seeking funding. Although data work is not new in the humanities, digital research infrastructures, best practices, and the development of highly qualified personnel to support humanist researchers are all still nascent. Responding to these changes, this article offers four contributions to how humanists can consider the role of “data” in their research and succeed in its management. First, we define RDM and data management plans (DMP) and raise some exigent questions regarding their development and maintenance. Second, acknowledging the unsettled status of “data” in the humanities, we offer some conceptual explanations of what data are, and gesture to some ways in which humanists are already (and have always been) engaged in data work. Third, we argue that data work requires conscious design—attention to how data are produced—and that thinking of data work as involving design (e.g., experimental and interpretive work) can help humanists engage more fruitfully in RDM. Fourth, we argue that RDM (and data work, generally) is labour that requires compensation in the form of funding, support, and tools, as well as accreditation and recognition that incentivizes researchers to make RDM an integral part of their research. Finally, we offer a set of concrete recommendations to support humanist RDM in the Canadian context.   Ces dernières années, les organismes de financement de la recherche du monde entier ont mis en place des mandats de gestion des données de recherche (en anglais, Research data management, RDM) qui introduisent de nouvelles obligations pour les chercheurs en quête de financement. Bien que le travail sur les données ne soit pas nouveau dans les sciences humaines, les infrastructures de recherche numérique, les meilleures pratiques et le développement d'un personnel hautement qualifié pour soutenir les chercheurs humanistes en sont encore à leurs balbutiements. En réponse à ces changements, cet article propose quatre contributions sur la façon dont les humanistes peuvent considérer le rôle des "données" dans leur recherche et réussir à les gérer. Tout d'abord, nous définissons les techniques de recherche et de gestion de donnéesdonnées et les plans de gestion des données (en anglais "data management plan", DMP) et soulevons certaines questions urgentes concernant leur développement et leur maintenance. Deuxièmement, reconnaissant le statut incertain des "données" dans les sciences humaines, nous proposons quelques explications conceptuelles de ce que sont les données, et soulignons certaines façons dont les humanistes sont déjà (et ont toujours été) engagés dans le travail sur les données. Troisièmement, nous soutenons que le travail sur les données nécessite une conception consciente - une attention à la manière dont les données sont produites - et que le fait de considérer le travail sur les données comme impliquant une conception (par exemple, un travail expérimental et interprétatif) peut aider les humanistes à s'engager de manière plus fructueuse dans la RDM. Quatrièmement, nous soutenons que la RDM (et le travail sur les données en général) est un travail qui nécessite une compensation sous forme de financement, de soutien et d'outils, ainsi qu'une accréditation et une reconnaissance qui incitent les chercheurs à faire de la RDM une partie intégrante de leur recherche. Enfin, nous proposons une série de recommandations concrètes pour soutenir la RDM humaniste dans le contexte canadien.
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 | 0,005 | 0,000 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».