Generosity as a Scientific Method: Building Knowledge and Community in a Competitive World
Notice bibliographique
Résumé
Abstract Generosity can function as a scientific method—a disciplined stance that aligns curiosity with openness, credit-sharing, and stewardship of data, specimens, and ideas. Rather than a soft add-on, generosity structures how questions are framed, teams are built, and results are disseminated, thereby improving rigor, reproducibility, and impact. This viewpoint article advances a conceptual and operational framework for “generosity in science,” aimed at researchers, institutions, and funders seeking alternatives to competition-driven models of knowledge production. I examine generosity as practice at the levels of people, collectives, and institutions and argue that persistent global challenges in health demand pro-collaborative architectures. Seen this way, generosity is not mere altruism; it is part of the epistemic engine that turns uncertainty into shared knowledge while distributing opportunity and recognition more fairly. I define core principles of generous research and organize them across three domains: research design, governance, and evaluation. The paper draws on illustrative examples and relevant literature to situate generosity within ongoing debates on open science, team science, and research assessment reform. I outline practical principles for embedding generosity into research design, governance, and evaluation and discuss how these principles can counter vanity metrics and short-term incentives. I conclude that embedding generosity in the infrastructure of science enables better questions, faster learning, and greater public value.
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 | 0,088 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,057 |
| Communication savante | 0,031 | 0,025 |
| Science ouverte | 0,003 | 0,028 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».