Research Data Management in the Canadian Context: A Guide for Practitioners and Learners
Notice bibliographique
Résumé
With the recent release of a Research Data Management (RDM) policy by Canada’s Tri-Agency, RDM has become crucially important. All researchers who apply for grants to fund data-related research must now meet requirements including writing Data Management Plans and preparing data for archiving. Libraries have traditionally supported RDM, and RDM is occasionally taught in Canadian library schools. Given the heightened attention to RDM, the need for greater education and the number of courses is likely to increase. However, at present there are no suitable teaching resources for the Canadian context. A comprehensive, peer-reviewed educational resource suited to the unique Canadian regulatory context and appropriate for use in classrooms does not exist. As a response to this need, a number of Canadian academics and librarians are creating a peer-reviewed, copy-edited open textbook, translated to both French and English languages and published via Pressbooks. It will include interactive media and self-assessment activities. As the resource will be an OER, instructors, students, and professionals can use the resource as-is or customize it to meet needs. This resource will offer a comprehensive, peer-reviewed academic educational resource suited to the Canadian context. Topics will include: the Canadian context for RDM, an introduction to active data management and curation, management of specific data types, repository selection and cloud storage, sensitive data, privacy, and deidentification, theory and principles, and more.
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 | 0,036 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,010 | 0,019 |
| Études des sciences et des technologies | 0,012 | 0,013 |
| Communication savante | 0,019 | 0,015 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,019 |
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 ».