How do the FC4E components improve our workflow? Perspectives from our user communities.
Notice bibliographique
Résumé
Presentation of Case Studies from the FAIRCORE4EOSC Project, presented at the FAIRFest in DenHaag, 20.- 21. February 2025. The FAIRCORE4EOSC project is developing and realising FAIR enhancing services for the European Open Science Cloud (EOSC). Leveraging existing technologies and services, nine new services aim to improve the discoverability and interoperability of an ever-increasing amount of research outputs. To ensure that these new services are co-designed and tailored to the needs of their future users, five case studies led by thematic and data infrastructure EOSC communities drove the development and testing of the new components. In the FAIRCORE4EOSC Case Study session, these case studies presented their work, showcasing the test implementation of the new services for FAIR data management to an interested audience and told about their lesson-learnt. Diverse approaches to enhancing data stewardship across various disciplines were highlighted and allowed fresh and exclusive insights into the practical data management work of several EOSC communities. The Case Study representatives Maxence Azzouz-Thuderoz (Mathematics), Joonas Nikkanen (European Integration of National-level Services), Chris Ariyo (Service Providers and Research Data Management Communities), Willem Elbers (Social Sciences & Humanities) and Beate Krüss (Climate Change) demonstrated, how the FAIRCORE4EOSC services can make life easier for research data managers and data stewards through enhanced machine-actionability, as well as improved findability and metadata quality for researchers and infrastructure managers in their respective fields.
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 | 0,073 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,015 | 0,009 |
| Communication savante | 0,019 | 0,021 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».