Collaborating With Early Career Researchers to Enhance the Future of Scholarly Publication: A Guide for Publishers
Notice bibliographique
Résumé
ABSTRACT The scholarly publishing system is adapting to many changes, including open access and open data mandates, artificial intelligence, and other new technologies. Members of the research and publishing communities are working to establish a more equitable, fair, and rigorous system that serves researchers' evolving needs. Early career researchers (ECRs) are drivers of change, and publishers may wonder why and how they should involve ECRs in shaping the future of scholarly publishing. We held a virtual unconference to explore this issue with publishers and ECRs who were working to improve publishing. Some participants sought to improve peer reviewer or editor performance, whereas others sought to improve the publishing system itself through iterative or transformative change. Strategies for collaborating with ECRs to shape the future of scholarly publishing included peer review programmes, editorial programmes, ECR‐led journals, ECR boards and committee representatives, and other ECR‐initiated activities. ECRs particularly wanted to see three things improved: (1) Sharing research outputs other than publications, (2) addressing technological limitations to create systems that meet the research community's needs and facilitate knowledge advancement, and (3) fostering diversity, equity, inclusion, and accessibility. We offer tips for publishers on how to collaborate with ECRs to enhance scholarly publishing, appeal to and learn from younger researchers, and better meet researchers' needs.
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 | 0,067 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,039 | 0,029 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,011 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,016 |
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 ».