Webinar in Partnership with Times Higher Education: <b>Maximizing Research Visibility to Enhance Academic-Industry Collaboration</b>
Notice bibliographique
Résumé
Collaboration between academia and industry is essential for driving innovation, economic growth and sustainable solutions to global issues. As industry needs evolve, institutions must ensure that resources across their research ecosystem – from faculty expertise to specialised equipment – are easily discoverable and accessible to potential funders, partners and collaborators. However, identifying partners with the same goals, visions and priorities can be a com-plex process.Advanced research information management systems and centralised profiling tools can help institutions position themselves as valuable partners in innovation by maximising the visibility and utility of research assets and outputs. This webinar, held in partnership between Times Higher Education and Digital Science, will feature a panel of experts who will discuss how these tools help institutions improve the management, accessibility and dissemination of research data to foster mutually beneficial collaborations. It will also include the key findings from Catalyzing Collaboration: How Research Information Management Systems Drive Academic-Industry Partnerships.<b>Topics for discussion will include:</b>The benefits of academic-industry partnerships in research and the challenges in identifying the right partnersFostering strategic partnerships and resource-sharing to train researchers to meet evolving industry standardsStrategies for maximising the visibility and utility of research assets and outputsHow research management tools help streamline management, accessibility and dissemination of research data to facilitate technology transferMeasuring the impact of academic-industry collaborations in research<b>Panellists</b>Jeff Agnoli, Senior Liaision, Corporate Partnerships, <b>Ohio Innovation Exchange</b>Derek Newton, Assistant Vice-President, Innovation, Partnerships and Entrepreneurship, <b>University of Toronto</b>Christopher J Rowe, Executive Director for Industry Collaborations, Office of the Vice Provost for Research, <b>Vanderbilt University</b>Mike Kagioglou, Pro Vice-chancellor of Research and Business Innovation at <b>De Montfort University</b>Kate Byrne, SVP Product, Academic & Publishing, <b>Digital Science</b>
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».