A Fresh Perspective on Freshwater Data Management and Sharing: Exploring Insights from the Technology Sector
Notice bibliographique
Résumé
It is well established that effective management and restoration of freshwater ecosystems is often limited by the availability of reusable data. Although numerous public, private, and nonprofit organizations collect data from freshwater ecosystems, much of what is collected remains inaccessible or unusable by Rights holders and end users (including researchers, practitioners, community members, and decision-makers). In Canada, the federal government plans to improve freshwater data sharing practices through the newly formed Canada Water Agency, which is currently drafting a National Freshwater Data Strategy. Our study aimed to support these efforts by synthesizing insights from the technology sector, where data management and sharing practices are more mature. We interviewed 12 experts from the technology sector, asking them for advice on how to improve data sharing practices in the freshwater science sector. Using a Reflexive Thematic Analysis of participants’ responses to semi-structured interview questions, we identified nine broad recommendations. Recommendations centred on motivating open data sharing, promoting data reuse through data licences, training and skill building, and developing standards and digital solutions that enable data discovery, accessibility, interoperability, and reuse. These recommendations can support the numerous initiatives that are working to improve access to high-quality freshwater data and help address the pressing crisis of global freshwater ecosystem degradation.
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 | 0,033 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,018 | 0,037 |
| Communication savante | 0,021 | 0,045 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».