Arctic Research Trends: External Funding 2016-2022
Notice bibliographique
Résumé
This work was conducted by the University of the Arctic (UArctic) Thematic Network on Research Analytics and Bibliometrics. It was supported by Global Affairs Canada through the Global Arctic Leadership Initiative. The aim of this work is to follow up on previous analyses presented by the UArctic Science & Research Analytics Task Force, i.e. the pilot report “International Arctic Research – Analyzing Global Funding Trends, A Pilot report” (Osipov et al 2016) covering the period 1996-2015 with a specific focus on 2006–2015. The pilot report, published in 2016, and a close in time follow up report (Osipov et al 2017) were the first-ever attempts at creating a comprehensive view of global Arctic research funding using a dataset of such magnitude. This report is a “refresh” of these two original analyses, showing new data both from funding as well as time scope viewpoints. As in the pilot report, special attention has been given to describing and partly analyzing trends in the countries of the Arctic Council – both members (1) and observers (2) – as well as their key funding agencies and institutional members of the University of the Arctic. The results presented in this report share many similarities with those in the previous ones (Osipov et al 2016 & 2017). However, we consider the data more comprehensive, due to the maturing of Dimensions database used to identify funding sources over the years (3). Still, due to large differences in funding systems between different countries, the interpretation of funding trends must always be done with caution. (1) Canada, Finland, Iceland, Kingdom of Denmark, Norway, Russian Federation, Sweden, United States of America.(2) France, Germany, Italian Republic, Japan, the Netherlands, People's Republic of China, Poland, Republic of India, Republic of Korea, Republic of Singapore, Spain, United Kingdom.(3) https://www.digital-science.com/product/dimensions/
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,191 | 0,012 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».