An Empirical Study on Roles and Their Information Correlations for Interdisciplinary Peer Reviewer
Notice bibliographique
Résumé
Peer review has always been known as the gatekeeper for the academic quality of papers. Traditional peer review is mostly carried out in a singular discipline, while peer review for interdisciplinary scientific research must go across the boundaries of multiple disciplines, and there is a real opposition between disciplines ‘differentiation’ and ‘de-differentiation.’ Due to this opposition, the practice of interdisciplinary peer review has more research value. Through an empirical study using Publons data, this article introduces the role theory from sociology as a theoretical support, studies role characteristic information of interdisciplinary peer reviewers, extracts their roles, measures the gaps between the roles according to their correlations, and proposes countermeasures to narrow the gaps through role construction to improve the quality of peer review in general. Specifically, this study adopts the empirical analysis method to obtain the behavioural characteristics data of the reviewers in the top 1 per cent in Cross-Field of the Global Peer Review Awards in 2018 and 2019 from the Publons platform and uses the exploratory factor analysis method to extract the roles of the reviewers. Using structural equation modelling to fit the role information association model, the authors compare and analyse the data models of 2018 and 2019 by using the comparative analysis method. The results found are as follows: The ‘researcher’ role, ‘reviewer’ role, and ‘editor’ role are all positively correlated, and the correlations are getting higher. It indicates that the correlations between the three are getting stronger, which will make transitioning between roles less difficult.
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 | 0,020 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,067 | 0,140 |
| Science ouverte | 0,001 | 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; 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 ».