Building capacity for health research in higher education: Evaluating readiness for research and scholarship
Notice bibliographique
Résumé
This case study examines key components of research readiness for Doctoral Universities with High Research Activity (R2) through the lens of the National Institutes of Health (NIH) funded Research Centers in Minority Institutions (RCMI) program. While there are long-standing systems in place for ranking research institutions based on grant expenditures, there is a need to establish methods to evaluate institutions' readiness for externally funded competitive research. Drawing on literature across multiple disciplines and framed in alignment with the RCMI program goals, the authors developed a multidimensional instrument to examine research readiness centered on two primary domains (investigator and institutional readiness). The largest barriers to proposal development and conducting research/scholarship projects were managing time for competing expectations including scholarship, teaching, mentoring students, and service and recruiting skilled students who are prepared to assist the research process (respectively). Building research capacity requires research infrastructure, equitable distribution of institutional and grant resources, protected time for research, and focused areas research. Findings inform evaluation methods to assess research readiness, identify indicators and set benchmarks to measure changes in capacity and offer strategies for universities to enhance research capacity-building efforts and optimize institutions' ability to conduct NIH mission relevant 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.
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 | 0,069 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».