Mapping Canadian institutional research data management strategies: a cross-sectional study
Notice bibliographique
Résumé
In March 2021, Canada’s three federal research funding agencies introduced the Tri-Agency Research Data Management (RDM) Policy, with the objective of promoting sound RDM and data stewardship practices at research institutions. Among the requirements of the Policy, each post-secondary institution and research hospital eligible to administer agency funds was required to publish an institutional RDM strategy. This study presents a cross-sectional mapping of published institutional strategies ( n = 211) in response to the Tri-Agency RDM Policy requirement. We extracted information pertaining to institutional characteristics, institutional needs, and support models for data management planning and data deposit. Our analysis of institutional strategies indicates that developing RDM expertise among researchers (84%, n = 177) and research support staff (61%, n = 129) is of high priority. We also found that most institutions did not describe activities to promote behavioural changes and foster a broader culture of RDM among researchers; only 6% of institutional strategies ( n = 12) explored shifting incentives and rewards. A mapping of institutional RDM strategies is an important step to identify potential gaps in responding to the Policy. We find that further efforts are needed to address consultation gaps, resource constraints, and support for data management plans and data deposit to foster a robust and effective RDM culture at Canadian research institutions.
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 | 0,018 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,020 |
| Études des sciences et des technologies | 0,011 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».