Notice bibliographique
Résumé
In this contribution, Research in Residence (RinR) co-facilitators Mary Elizabeth Luka and Robin Sokolsoki host a conversation with members of the RinR Funder Advisory, addressing the dynamics of collaboration, impact assessment, and applied research in the Canadian culture sector, using RinR as a case in point. While projects and operational approaches that incorporate partnerships and collaboration have been encouraged and funded for many decades through programs such as the Digital Strategy Fund at the Canada Council for the Arts, or by the Social Sciences and Research Council of Canada through its suite of partnership grants, how funders collaborate or enable partnerships among themselves or more directly with sector organizations has been less supported or evident. Additionally, over the last decade, industry and scholarly researchers have repeatedly noted that the sector tends to depend on a narrow band of research practices to conduct impact assessments— primarily from financial or economic points of view—and thereby to inform future directions not just for the organizations but also for the sector. To respond to this situation, in 2020, Mass Culture convened a series of discussions that resulted in various levels of resource support as well as participation commitments from several funder organizations for what became the Research-in-Residence: Arts’ Civic Impact initiative in 2021-23. This article traces the snowball effect of bringing various levels of funders onboard for this project before turning to discussions of how the group worked together throughout the project, including key learnings shared across the funding ecosystem and into the sector.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».