Open Science, Data, and Methodologies: Lessons learned from the NIHR-RESPIRE Network in Asia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
NIHR-RESPIRE, a Global Health Research Unit funded by NIHR, is committed to advancing respiratory health research in Asia. We prioritise Open Science, Data, and Methodologies to maximise research data utility securely, sharing the lessons encountered across seven LMIC partner countries (Bangladesh, Bhutan, India, Indonesia, Malaysia, Pakistan, and Sri Lanka). Our strategic shift from traditional data sharing to LMIC-tailored Open Science practices ensures data privacy and security. This includes refining Data Management Plans, metadata standards, and mandating FAIR Data sharing, providing methodological support, and developing Open Science Policy Guidelines. We advocate for the adoption of open science principles to maximise secure data use and value with a focus on FAIR data. We also provide aid to partners in enhancing their data-related skills, hosting regular meetings, and establishing internal data monitoring structures to bolster cross-cutting activities within RESPIRE. Through capacity building, we have enabled high-quality respiratory health research using Open Science principles, enhancing data sharing efficiency, research visibility, and ultimately respiratory health outcomes in Asia and beyond. Our experience underscores the following lessons: Flexibility in data sharing, tailored to LMIC researchers' needs, is essential; Training and support to enhance knowledge of methodologies and dispel misconceptions are key to successful data stewardship; Appointing a focal person for structured anonymised data sharing and supporting the internal Data Monitoring Committee are critical. We recognise Open Science's potential to foster innovation, collaboration, and knowledge sharing in respiratory health 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.
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 | 0,256 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,032 | 0,008 |
| Science ouverte | 0,098 | 0,122 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle