How Libraries Help Make Your Data Management as Easy as Pie
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.
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 | 0,014 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,012 | 0,005 |
| Communication savante | 0,044 | 0,041 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,088 | 0,145 |
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 ».