An Approach to Evaluate the Costs and Outputs of Academic Biobanks
Notice bibliographique
Résumé
Academic biobanks commonly report sustainability challenges, which may be exacerbated by a lack of information on biobank value. To better understand the costs and supported outputs that contribute to biobank value, we developed a systematic, generalizable methodology to determine biobank inputs and publications arising from biobank-supported research. We then tested this in a small cohort ( n = 12) of academic cancer biobanks in New South Wales, Australia. A proforma was developed to capture monetary and in-kind biobank costing data from biobank managers and publicly available sources. Participating biobanks were grouped and compared according to the following two classifications: open- versus restricted-access and high versus low total annual costs. Our methodology provides a feasible approach for capturing comprehensive costing data for a defined period. Characterization of biobanks using this approach showed that median total costs, as well as median staffing and in-kind costs, were comparable for open- and restricted-access biobanks, as were the quantity and journal impact metrics of supported publications. High- and low-cost biobanks supported similar median numbers of publications; however, high-cost biobanks supported publications with higher median journal impact factor and Altmetric scores. Overall, 9 of 10 biobanks had higher Field-Weighted Citation Impact scores than the global average for similar publications. This is the first tested, generalizable approach to analyze the costs and publications arising from biobank-supported research. By determining explicit cost and output data, academic biobanks, funders, and policymakers can engage in or support informed redirection of resourcing and/or benchmark setting with the aim of improving biobank support of 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 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 | 0,004 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».