Make Data Count Summit presentations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Make Data Count Summit took place in Washington DC on 12-13 September 2023 as a forum for dedicated discussion on data metrics and the evaluation of data usage. The event brought together representatives across research and research-supporting organizations, government and policy institutions, and infrastructure providers to discuss immediate needs to drive broader development and adoption of data metrics. We include the slides for the talks presented at the event: Welcome by Iratxe Puebla, DataCite ‘Defining the Need for Open Data Metrics’ by Daniella Lowenberg, University of California Office of the President ‘Forging the path forward: Global Data Citation Corpus’ by Matt Buys, DataCite and Carly Strasser, Chan Zuckerberg Initiative ‘Democratizing Data’ by Julia Lane, NYU Wagner Graduate School of Public Service ‘Five years since the US Evidence-act’ by Nancy Potok, NAPx Consulting and New York University ‘Meaningful Data Metrics: The State of Evidence from Bibliometrics Studies on Data Reuse’ by Stefanie Haustein, University of Ottawa and ScholCommLab, Nicolas Robinson-Garcia, University of Granada, Mike Thelwall, University of Sheffield, and Thed van Leeuwen, Centre for Science and Technology Studies, Leiden University
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,012 | 0,015 |
| Science ouverte | 0,011 | 0,018 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,020 |
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 découle