Bridging evaluation and implementation: Using results from a survey of research data repository administrators to anchor community-driven initiatives
Notice bibliographique
Résumé
Two years have passed since we launched a survey of research data repository administrators in Canada. The goal of the survey was to identify gaps in the data repository services landscape that might be collaboratively addressed by a national community of research data management librarians, data specialists, data repository managers, and infrastructure providers. This presentation will focus on how results of this survey have helped to steer the launch of new community-driven initiatives. Three primary gaps identified by the survey include capacity or support for developing curation models, preservation planning and workflows, and support for sensitive data deposit in the context of limited staffing capacity. Regarding curation and preservation, we will discuss how the survey results supported the relaunch of a community initiative to update and develop new resources and documentation for Canadian institutional research data repositories seeking to apply for CoreTrustSeal (CTS) certification or to benchmark their services. CTS requirements mandate specific levels of preservation and curation activities that align with gaps identified in our survey results. Borealis resources on how members of our national shared research data repository infrastructure may implement service models to meet CTS requirements also provides guidance on the resources and capacity required for harmonizing curation models to international standards. We will also discuss how the survey results have helped to shape the work of a collaborative group of librarians and data repository administrators aiming to draft guidelines and a checklist for sensitive data deposit as contextually defined by a combination of institutional and national policies, regulations, and frameworks. For example, we will discuss standardizing the guidelines to common levels of risk related to research data. This presentation will also address variations in institutional-level staffing models and how we plan to use a longitudinal survey design to track shifts in readiness and capacity over time.
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 | 0,017 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».