Souvenirs from an RDM Professional Development Journey
Notice bibliographique
Résumé
Purpose: Describes a professional development journey in Research Data Management (RDM) services funded by the National Library of Medicine. \nSetting: The National Library of Medicine encourages training in data concepts through courses and funding from the National Network of Libraries of Medicine (NNLM) Training Office and Regional Medical Libraries (RMLs). The Medical Sciences Library at Texas A&M University provides data consultations, referrals and workshops, but no formalized data services. \nDescription: A librarian attended the first cohort of the NNLM Biomedical and Health RDM for Librarians course, the subsequent RDM 102, and a site visit with course mentors, all funded through the NNLM Training Office. Data Science Professional Development awards from the South Central RML funded attendance at the Mobilizing Computable Biomedical Knowledge (MCBK) and Transforming Research meetings. Data-related workshops were selected as an initial service to raise awareness of issues and position the Library as a partner for solutions. “Souvenirs” collected at each stop – a toolkit here, an active learning dataset there – were customized, promoted, piloted, and revised. \nOutcome: The workshops nurture conversation with faculty and leadership. An RDM workshop is in an ongoing series for the Health Sciences Center, graduate students did an active learning exercise at orientation, and a best practices workshop from the library is scheduled. Conference information and contacts inform planning. \nConclusion: The RDM professional development journey doesn’t have to be expensive – funding is available. It doesn’t require applying “all the things”. Collect, customize and apply those that produce a quick win and resonate with constituents.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,051 |
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 ».