Open Access für Forschungsdaten – Das Forschungsdaten-Policy-Kit, ein modularer Baukasten für die Entwicklung institutioneller Forschungsdaten-Policies
Bibliographic record
Abstract
Open Access trägt dazu bei, den Wert von Forschungsdaten dauerhaft zu erhalten, indem frei zugängliche Forschungsdaten nicht nur in Wissenschaft und Forschung, sondern auch im Rahmen von Citizen Science nachgenutzt werden können und durch die Anwendung neuer Fragestellungen neue Erkenntnisse ermöglichen. Forschungsdaten-Policies sind ein Instrument, um Open Access von Forschungsdaten zu fördern. Sie bieten den Forschenden einen Orientierungsrahmen, der Transparenz und Klarheit für den Umgang mit Forschungsdaten schafft und sorgen dafür, dass die Forschenden die Anforderungen der Drittmittelgeber erfüllen können. Gleichzeitig fördern und unterstützen die Hochschulen die Forschenden mit Infrastrukturdiensten, damit sie ihre Forschungsdaten langfristig aufbewahren und Open-Access zugänglich machen können. Jede Einrichtung hat im Bereich Forschungsdatenmanagement ihre individuellen Rahmenbedingungen, die bei der Erstellung ihrer Forschungsdaten-Policy zu berücksichtigen sind. Das Forschungsdaten-Policy-Kit der Technischen Universität Berlin ist daher als modulares Baukastensystem gestaltet, das sowohl den allgemeinen als auch den individuellen Bedingungen Rechnung trägt. Mithilfe von Leitfragen und Textbausteinen kann sich jede Hochschule ihre eigene Forschungsdaten-Policy zusammenstellen. Ergänzend soll ein Leitfaden den strategischen Prozess der Etablierung der Forschungsdaten-Policy unterstützen. Das Forschungsdaten-Policy-Kit wurde 2018 von der Technischen Universität Berlin im Rahmen des BMBF-Verbundprojekt FDMentor entwickelt. In die Erstellung sind sowohl die Ergebnisse aus der Analyse der bislang veröffentlichten institutionellen Forschungsdaten-Policies deutscher Universitäten als auch die Resultate aus dem Abgleich mit internationalen Empfehlungen sowie die Bilanz aus Experteninterviews eingeflossen.
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 | 0.061 | 0.099 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.004 | 0.009 |
| Scholarly communication | 0.029 | 0.038 |
| Open science | 0.005 | 0.024 |
| Research integrity | 0.009 | 0.013 |
| Insufficient payload (model declined to judge) | 0.042 | 0.053 |
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".