Exigencia del depósito de los datos de investigación en los criterios de indexación de SciELO
Bibliographic record
Abstract
Carta al EditorEn la publicación de los Criterios de la Red SciELO, párrafo 5.2.12."Política de acceso abierto y alineación con la ciencia abierta" se informa que "SciELO viene promoviendo la alineación del programa y de las revistas con las prácticas de comunicación de la ciencia abierta que preconiza la apertura de todos los componentes que fundamentan la comunicación de la investigación, como son los métodos, datos y programas de computadora" (1) .Esta frase es una toma de posición sobre un tema de discusión actual: cuáles son los beneficios y los problemas de los datos compartidos (data sharing).Hay toda una historia detrás de esto.En 2016 el Comité Internacional de Editores de Revistas Médicas (ICMJE, por su sigla en inglés) planteó la necesidad de contar con datos abiertos no solo como instrumento para facilitar la revisión y verificación de publicaciones científicas, sino para poner a disposición de la comunidad científica internacional una gran cantidad de datos que podrían analizarse con las nuevas técnicas de Big data (2) .Ese mismo año la OMS publicó su "Declaración de política de la Organización Mundial de la Salud sobre Datos Compartidos" (3) .Este documento tenía algunas características: adherir en forma explícita a los contenidos del Reglamento Sanitario Internacional de 2005, focalizar en los tipos de datos necesarios para dar respuestas inmediatas, identificar por separado la vigilancia, epidemiología y respuesta de emergencia, la secuenciación genética y los estudios observacionales y ensayos clínicos y por último, determinar hasta qué punto podría usarse cada tipo de dato.Los principios sobre datos compartidos expresados en el documento surgieron del así llamado "Data sharing working group" de la Red GLOPID-R, compuesta por la Fundación Bill & Melinda Gates (USA), los Institutos Canadienses de
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 | 0.060 | 0.224 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.029 | 0.032 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.022 | 0.009 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.029 | 0.009 |
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".