Operationalizing and evaluating the FAIRness concept for a good quality of data sharing in Research: the RDA-SHARC-IG (SHAring Rewards and Credit Interest Group
Notice bibliographique
Résumé
The RDA-SHARC (SHAring Reward & Credit) interest group is an interdisciplinary volunteer member-based group set up as part of RDA (Research Data Alliance) to unpack and improve crediting and rewarding mechanisms in the sharing process throughout the data life cycle. Background and objectives of this group are reported here. Notably, one of the objectives is to promote the inclusion of data sharing activities in the research (& researchers) assessment scheme at national and European levels. To this aim, the RDA-SHARC-IG is developing two assessment grids using criteria to establish if data are compliant to the F.A.I.R principles (findable /accessible / interoperable / reusable) based on previous works on FAIR data management (Reymonet et al., 2018; Wilkinson et al., 2018; and E.U.Guidelines*): 1/ The self-assessment grid to be used by a scientist as a ‘checklist’ to identify her/his own activities and to pinpoint the hurdles that hinder efficient sharing and reuse of his/her data by all potential users. 2/ The two-level grid (quick/extensive) to be used by the evaluator to assess the quality of the researcher/scientist sharing practice, over a given period, taking into account the means & support available over that period. Assessment criteria are classified according their importance with regards to FAIRness (essential / recommended / desirable) meanwhile good practices are recommended for critical steps. To implement a highly fair assessment of the sharing process, appropriate criteria must be selected in order to design optimal generic assessment grids. This process requires participation, time and input from volunteer scientists data producers/users from various 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 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 | 0,025 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,008 | 0,026 |
| 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; 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 ».