How Libraries Help Make Your Data Management as Easy as Pie
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Academic libraries at Association of Research Libraries (ARL) & Carnegie R1 universities in the U.S. and Canada provide leadership to deliver comprehensive integrated Web-based data management services for faculty, graduate students, and researchers. Data management makes data more findable, usable, and reproducible; supports an ethical, responsible research environment; and meets funder and journal data-sharing requirements. Since the White House Office of Science and Technology Policy’s 2013 memorandum requiring federal agencies to increase public access to the results of federally funded research, many funders and journals have mandated data planning and sharing. Developing high quality data management plans take time and require training on essential elements and accepted practices. As a result, data management services are in demand by faculty, graduate students, and researchers. To that end, academic libraries have been developing a rich array of data management services that includes support for drafting and reviewing data management plans; sharing best practices related to data sharing, storage, and security; recommending data curation strategies; and more. This poster discusses findings from a survey of 145 ARL and Carnegie R1 library websites in the United States and Canada related to the work libraries are leading to provide user-centered, web-based data management services. We share key data points; identify trends in the development of library-based data management services; and note recommendations for libraries to prepare for future growth in data management services as technology and research continues to evolve and expand.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle