Implementing and Learning from a Summer Research Data Management Training Program for Student Researchers
Notice bibliographique
Résumé
Background This study explores a library-led research data management (RDM) training program at a Canadian post-secondary institution that targeted students participating in summer research assistantships as well as their faculty supervisors. This paper describes the program in detail and shares findings from a student reflection assignment about practicing RDM for the first time. Methods The RDM training program included four requirements: attending an introductory RDM session; attending a data management plan (DMP) workshop; submitting a DMP for feedback; and completing a reflection assignment. Where consent was obtained (n=19), reflection assignments were analyzed using a qualitative content analysis approach. Results 35 faculty supervisors registered 53 students to participate. 62.2% (n=33) of students completed all components of the program. Perceived benefits of completing a DMP included improved project planning, supporting best practices, potential for data reuse, and team communication. Perceived challenges included the inflexibility of DMPs, difficulty populating DMPs, demands on researchers’ time, and lack of long-term utility. 73.6% of students (n=14/19) reported that building a DMP helped them with their summer projects. Conclusion Through instruction, practical engagement, and reflection within the context of real-world research, the program supported participants in learning about and practicing RDM, and provided insights for academic librarians who wish to refine or develop training in their local contexts as they continue to navigate emerging expectations from funders and publishers.
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 | 0,027 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,004 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».