Beyond Academia: A case for reviews of gray literature for science-policy processes and applied research
Notice bibliographique
Résumé
Gray literature is increasingly considered to complement evidence and knowledge from peer-reviewed literature for science-policy processes and applied research. On the one hand, science-policy assessments need to consider a diversity of worldviews, knowledge types and values from a variety of sectors and actor groups, and synthesize policy-relevant findings that are salient, legitimate and credible. On the other hand, practitioners and scholars conducting applied research are affected by the time lag and biases of academic publication processes. Gray literature holds diverse perspectives informative for science-policy processes as well as practical evidence unfiltered by commercial publication processes. However, its heterogeneity has made it challenging to access through conventional means for a literature review. This paper details one endeavor within the Values Assessment of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (IPBES) to review gray literature using Google’s Programmable Search Engine. In the absence of a standardized approach, we build on the limited experiential knowledge base for reviewing gray literature and report on the potential applicability of our strategy for future reviews. Gray literature review results contrast findings of our parallel review of academic literature, underlining the importance of mobilizing different knowledge bases in science-policy assessments, evidence-based practices, and applied 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 | 0,307 | 0,559 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,043 | 0,033 |
| Études des sciences et des technologies | 0,007 | 0,025 |
| Communication savante | 0,035 | 0,043 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,013 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».