An Analysis of Data Management Policies of Governmental Funding Agencies in the U.S., the U.K., Canada and Australia
Bibliographic record
Abstract
본 연구는 미국, 영국, 캐나다, 호주의 15개 정부연구비지원기관에서 제공하는 데이터관리 정책을 분석하여 국내 데이터 정책 개발을 위한 참고사항을 제시하는 것을 목적으로 하였다. 데이터 정책의 내용 분석을 위해 선행연구를 바탕으로 1) 데이터의 정의, 2) 데이터관리 원칙, 3) 데이터관리 계획, 4) 데이터관리 실행, 5) 법적․윤리적 측면의 5가지 기준을 제시하였다. 분석 결과 이러한 내용들을 모두 포함하고 있는 데이터정책은 존재하지 않았지만 다수의 기관들이 분석기준으로 제시된 내용들을 정책에서 공통적으로 다루고 있음을 확인할 수 있었다. 분석결과를 바탕으로 제시된 데이터 정책 개발을 위한 제언은 다음과 같다. 첫째, 연구비를 지원하는 학문 분야의 데이터 생성에 대한 이해를 바탕으로 데이터의 정의와 유형을 제시하여 관리대상을 명확히 한다. 둘째, 국내 연구데이터 관리에 적용할 수 있는 데이터관리 원칙을 수립하고 이를 정책에 제시한다. 셋째, 연구자들의 데이터관리에 대한 책임을 강화할 수 있는 데이터관리계획 도입을 검토한다. 넷째, 연구자들의 데이터 공유를 촉진하고 지원할 수 있는 데이터관리 실행 내용을 정책에 명시한다. 다섯째, 데이터 공유의 근거가 되는 법제도의 적용 및 개선방안을 검토하여 데이터 공유와 관련된 법적․윤리적 문제를 최소화하는 정책을 마련한다.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.066 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.005 | 0.016 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".