Open Data Training Workshop: Tri-Agency Research Data Management and Ethical Considerations of Open Data Sharing
Notice bibliographique
Résumé
Objective(s): Momentum for open access to research is growing. Funding agencies and publishers are increasingly requiring researchers make their data and research outputs open and publicly available. However, this introduces many challenges, especially when managing potentially sensitive clinical data. The aim of this 1 hr virtual workshop is to provide participants with foundational knowledge that supports planning for open data in future research projects. Specifically, participants will: 1. Gain an understanding of the new Tri-Agency Research Data Management policy and the analogous progress of the University of British Columbia's (UBC) Research Data Management (RDM) strategy and how they can be applied. 2. Gain an understanding of the ethical, privacy, and legal considerations of sharing data. 3. Learn practical skills for incorporating open data language into REB applications and consent form. Workshop Agenda: 1. "Becoming familiar with the new Tri-Agency Research Data Management Policy" - Speaker: Eugene Barsky, Research Data Librarian, UBC Library 2. "Ethics and Practical Considerations of Open Data Sharing." - Speaker: Brittney Schichter, Director, Research Integration & Innovation, Provincial Health Service Authority (PHSA) Research and Academic Services This workshop draws on work supported by the Digital Research Alliance of Canada. Data Description: Presentation slides, Workshop Video, and Workshop Communication Eugene Barksy: Tri-Agency Research Data Management Policy presentation and accompanying PowerPoint slides. Brittney Schichter: Ethics and Practical Considerations of Open Data Sharing presentation and accompanying Powerpoint slides. This workshop was developed as part of Dr. Ansermino's Data Champions Pilot Project supported by the Digital Research Alliance of Canada.
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 | 0,098 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,008 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,014 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,075 | 0,029 |
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 ».