How FAIR-R Is Your Data? Enhancing Legal and Technical Readiness for Open and AI-Enabled Reuse
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
Title: How FAIR-R Is Your Data? Enhancing Legal and Technical Readiness for Open and AI-Enabled Reuse Authors: Katharina Miller, Vanessa Guzek (Miller International Knowledge, MIK), partner in Horizon Europe project IP4OS Conference: Open Science Conference 2025, Hamburg Description :This contribution, to be presented at the Open Science Conference 2025 in Hamburg, introduces the concept of FAIR-R as an evolution of the FAIR data principles (Findable, Accessible, Interoperable, Reusable). While FAIR focuses on technical openness, FAIR-R adds a crucial dimension: datasets must also be Responsibly licensed and legally ready for reuse in artificial intelligence (AI) and machine learning workflows. The presentation provides: A quick overview of FAIR vs. FAIR-R. Key licensing red flags that block reuse, such as missing licenses, NonCommercial (NC) or NoDerivatives (ND) clauses, or lack of machine-readable metadata. Common AI-specific barriers, including sensitive data, restrictive license clauses, proprietary formats, and insufficient traceability. Participants of the session applied a lightweight FAIR-R checklist to evaluate real datasets, identifying both technical and legal gaps that limit responsible reuse. The outcomes contribute to improving dataset readiness for Open Science and AI-driven research, offering practical guidance for researchers, institutions, and policymakers. Funding Acknowledgment:This work is part of the Horizon Europe project IP4OS (Grant Agreement No. 101188026), funded by the European Union. Views and opinions expressed are those of the authors only and do not necessarily reflect those of the European Union or the European Research Executive Agency (REA). Neither the EU nor REA can be held responsible for them.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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