A survey of researchers on rewarding data citation and reuse
Notice bibliographique
Résumé
This research-in-progress paper has been accepted to ISSI2023. Please cite as: Ninkov, A., Gregory, K., Ripp, C., Roblin, E., Peters, I., & Haustein, S. (accepted). A survey of researchers on rewarding data citation and reuse. Proceedings of the International Conference on Scientometrics & Informetrics (ISSI 2023), Bloomington, Indiana. Preprint: https://doi.org/10.5281/zenodo.7823626 This research-in-progress paper presents results from the largest known survey (n=2,492) to explicitly investigate data citation and reuse practices among a representative sample of academic authors across academic disciplines. This analysis focuses on participants’ preferences and attitudes towards rewarding their own data work and that by others. The results indicate that assessing the reach and influence of data is important or extremely important for researchers across disciplines. However, there are significant disciplinary differences identified in preferences for recognition and reward of practices regarding research data management, sharing, citation, reuse and assessment. For example, we observe that assessing the reach and influence of both their own and the data of others, as well as getting credit for reusing data, is more important to researchers in Medical and Health Sciences and Agricultural Sciences than other groups. Additionally, researchers from Social Science found it more important to trace a variety of metrics and information about their own data compared to most other disciplines.
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 | 0,057 | 0,194 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».