Building Successful International Summer Schools to Enhance the Capacity of Marine Early Career Researchers
Notice bibliographique
Résumé
The development of informal science learning programs is a key strategy for supplementing traditional training for early career researchers (ECR). Within the marine sector, there has been a proliferation of international summer schools (a form of informal science learning program) to support ECRs to develop the networks, skills, and attributes needed to tackle ocean sustainability challenges and support the attainment of the Sustainable Development Goals (e.g., collaboration across disciplines, policy engagement, etc.). Yet, there exists very little evidence on the impact generated by such informal science learning programs or the design strategies that can confer their success. This commentary seeks to address this knowledge gap by considering the successful biennial Climate and Ecosystems (ClimEco) marine summer school series that has run since 2008. Specifically, we draw on the perspectives of lecturers and organisers, in combination with a survey of ClimEco participants (𝑛 = 38 ECRs) to understand the drivers and motivations of ECRs to attend summer schools, the types of outcomes and impacts that summer schools can have for marine ECRs, and the key factors that led to the successful attainment of these impacts, outcomes, and benefits. In doing so, we develop guidance that would enable global summer school convenors to effectively support the next generation of marine researchers to advance ocean sustainability.
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 | 0,015 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».