Modèle de plan de gestion des données : Accès aux données des centres de données de recherche (RCCDR)
Bibliographic record
Abstract
Le modèle du Réseau canadien des Centres de données de recherche (RCCDR) résume la gestion de données effectuée par Statistique Canada et le RCCDR au nom des chercheurs. Bien que la gestion de données dans un centre de données de recherche (CDR) a des avantages, elle a aussi des inconvénients substantiels: les données d’un CDR ne pourront jamais être versées dans un dépôt conformément aux meilleures pratiques recommandées pour la gestion des données de recherche. Étant donné cette lacune, les chercheurs doivent connaître d’autres options pour s’engager aux meilleures pratiques. En plus de s’assurer que le dossier de projet du CDR est bien documenté et conforme aux résultats de la recherche, les chercheurs doivent conserver leurs données justificatives dans un dépôt reconnu dans leur discipline ou dans le Dépôt fédéré de données de recherche (DFDR) contiendront les métadonnées, la syntaxe (code qui produit une sortie statistique) et tous les documents de soutien pour le projet de recherche. Ce modèle s’adresse aux chercheurs qui effectuent des travaux dans un CDR en utilisant les données des CDR de Statistique Canada uniquement (c’est-à-dire qu’il n’y a pas de données supplémentaires, de statistiques à usage public, ou d’autres informations qui complètent le travail). Si votre travail est effectué dans le CDR en même temps que d’autres données que vous avez l’intention d’introduire dans le CDR ou de travailler en dehors du CDR parallèlement à votre travail dans le CDR, utilisez plutôt le modèle de CDR et d’analyse externe.
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 | 0.007 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.024 | 0.004 |
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".