DDI, FAIR, and the Emergent Role of Active Metadata
Notice bibliographique
Résumé
This is a CODATA-DDI Alliance webinar for the Research Data Alliance (RDA) Decade of Data celebrations! It is widely accepted that the FAIR data principles highlight the importance of metadata. The Data Documentation Initiative (DDI) community has decades of experience in supporting data production and reuse within the social, behavioural, and economic sciences through the publication and use of detailed, machine-actionable metadata specifications. This webinar explores the lessons that have been learned over that time, and how these lessons can be applied more broadly in the context of FAIR data sharing. The importance of granular metadata to data management practices is clear, but increasingly the ability to leverage metadata in an active capacity – to drive production, management, and dissemination – is growing in importance. With the advent of FAIR, the need for cross-domain exchange of metadata is also growing, and the DDI specifications are evolving to meet that need. More than ever, alignment and coordination among metadata standards and models is needed. This webinar looks at how granular, active metadata can better support research data management both within and across domains, and should be of interest to a broad set of the groups working in the Research Data Alliance (RDA). Speakers: Simon Hodson (CODATA), Amber Leahey (Scholars Portal, Ontario Council of University Libraries), Christophe Dzikowski (INSEE), Arofan Gregory (CODATA/DDI Alliance), joined by Connie Clare (Research Data Alliance).
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,009 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».