Research Data Services Maturity in Academic Libraries
Notice bibliographique
Résumé
An ACRL white paper from 2012 reported that, at that time, only a small number of academic libraries in the United States and Canada offered research data services (RDS), but many were planning to do so within the next two years (Tenopir, Birch, and Allard, 2012). By 2013, 74% of the Association of Research Libraries (ARL) survey respondents offered RDS and an additional 23% were planning to do so (Fearon, Gunia, Pralle, Lake, and Sallans, 2013). The academic libraries recognize that the landscape of services changes quickly and that they need to support the changing needs of research and instruction. In their efforts to implement RDS, libraries often respond to pressures originating outside the library, such as national or funder mandates for data management planning and data sharing. To provide effective support for researchers and instructors, though, libraries must be proactive and develop new services that look forward and yet accommodate the existing human, technological, and intellectual capital accumulated over the decades. Setting the stage for data curation in libraries means to create visionary approaches that supersede institutional differences while still accommodating diversity in implementation. How do academic libraries work towards that? This chapter will combine an historical overview of RDS thinking and implementations based on the existing literature with an empirical analysis of ARL libraries’ current RDS goals and activities. The latter is based on the study we conducted in 2015 that included a content analysis of North American research library web pages and interviews of library leaders and administrators of ARL libraries. Using historical and our own data, we will synthesize the current state of RDS implementation across ARL libraries. Further, we will examine the models of research data management maturity (see, for example, Qin, Crowston and Flynn, 2014) and discuss how such models compare to our own three-level classification of services and activities offered at libraries - basic, intermediate, and advanced. Our analysis will conclude with a set of recommendations for next steps, i.e., actions and resources that a library might consider to expand their RDS to the next maturity level. References Fearon, D. Jr., Gunia, B., Pralle, B.E., Lake, S., Sallans, A.L. (2013). Research data management services. (ARL Spec Kit 334). Washington, D.C.: ARL. Retrieved from: http://publications.arl.org/Research-Data-Management-Services-SPEC-Kit-334/ Tenopir, C., Birch, B., & Allard, S. (2012). Academic libraries and research data services: Current practices and plans for the future. ACRL. Retrieved from http://www.ala.org/acrl/sites/ala.org.acrl/files/content/publications/whitepapers/Tenopir_Birch_Allard.pdf Qin, J., Crowston, K., & Flynn, C. (2014). 1.1 Commitment to Perform. A Capability Maturity Model for Research Data Management. wiki. Retrieved http://rdm.ischool.syr.edu/xwiki/bin/view/CMM+for+RDM/WebHome
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 | 0,078 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,019 |
| Études des sciences et des technologies | 0,014 | 0,012 |
| Communication savante | 0,058 | 0,042 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».