The value of data and other non-traditional scholarly outputs in academic review, promotion, and tenure in Canada and the United States
Notice bibliographique
Résumé
Academics are regularly involved in a wide range of activities spanning research, teaching and service, and the breadth of necessary outputs for review, promotion, and tenure (RPT) in each category only continues to grow. How do faculty manage their academic careers in the face of such growing sets of demands? Although we know that discussions of research assessment across the academy are increasingly recognizing the need to value the creation of outputs beyond research published in peer-reviewed journals, it is not clear whether these discussions have made their way into formal assessment structures. By analyzing the extent to which non-traditional outputs, including data and software, are mentioned in the RPT documents of a representative set of 129 universities from the United States and Canada, this chapter offers empirical evidence from across many disciplines of which types of faculty work are recognized in the RPT processes, and which are not. We confirm that traditional outputs such as peer-reviewed journal articles, book chapters and monographs are mentioned almost universally, whereas data-related items such as datasets and databases are mentioned only by a fraction of institutions. We find that research-intensive institutions acknowledge more types of research outputs in general, whereas institutions that focus more on undergraduate and master's degree programs tend to mention fewer forms of scholarship in their RPT guidelines. Within research-intensive institutions, units from the life sciences present a greater range of outputs in the guidelines offered to faculty, including the 15% that explicitly mention data-related outputs. In contrast, none of the academic units in mathematics and physical and social sciences in our sample recognize data-related outputs, and generally recognize fewer forms. Overall, we conclude that many current structures for faculty assessment do not explicitly recognize the increasing complexity and demands of faculty work.
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 | 0,033 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,019 | 0,039 |
| Études des sciences et des technologies | 0,024 | 0,012 |
| Communication savante | 0,023 | 0,004 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».