Digging deeper into data citations: Recognizing and rewarding data work
Notice bibliographique
Résumé
Citations and metrics are central features in evaluating academic careers. As researchers increasingly engage in open science, data citations have emerged as potential mechanisms for evaluating and rewarding data sharing and reuse in academic assessments. Despite this, we still lack critical information about the data citation practices and motivations of researchers themselves, information which is needed to contextualize the use of such metrics. Here, we present the results of a semi-structured interview study with researchers across disciplines exploring their data referencing practices and motivations, as well as how they would like their ‘data work’ (including data sharing) to be rewarded and evaluated. As a whole, our findings confirm a lack of standard practices for referencing data and provide new insights into the social and scientific reasons motivating data referencing. While our results show an overall skepticism toward the use of citation-based metrics in evaluations, they also suggest that researchers are caught between traditional and emergent modes of assessment for recognizing data work. Furthermore, we find that rather than valuing data citations as rewards, our participants value creating data objects which are useful for their (often small) research communities. Ultimately, we conclude that data work is a cornerstone of research practice which needs to be evaluated and considered, but one which also requires context-aware approaches.
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 | 0,230 | 0,584 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,018 | 0,017 |
| Études des sciences et des technologies | 0,008 | 0,013 |
| Communication savante | 0,025 | 0,032 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».