Landelijk Coördinatiepunt Research Data Management (LCRDM) - Positioning paper voor 2019 en verder
Bibliographic record
Abstract
Positioning paper LCRDM for the year 2019 and ongoing - Policy document drawn up by the LCRDM advisory group. In dit positioning paper wordt – aan de hand van een thematische prioritering en drie bredere (beleidsmatige) werkgebieden - beschreven wat wel en niet binnen de scope van het LCRDM valt. De onderwerpen waar de LCRDM taakgroepen aan werken zijn kleine puzzelstukjes van het grotere geheel van RDM en komen voort uit de actualiteit van alledag in Nederlandse onderzoeksinstellingen. Tegelijkertijd plaatst de samenwerking in de taakgroepen de activiteiten binnen de instellingen ook weer in een breder landelijk perspectief. Dit zorgt voor samenhang, herkenbaarheid en onderbouwing. Sinds 2018 werkt het LCRDM met een pool van experts. Deze pool is inmiddels uitgegroeid tot ruim 190 deelnemers uit 60 Nederlandse onderzoeksinstellingen. Zeven taakgroepen werken op dit moment aan diverse aspecten van RDM en de eerste resultaten zijn inmiddels beschikbaar via de LCRDM website (www.lcrdm.nl).
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 | 0.052 | 0.079 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.018 | 0.009 |
| Open science | 0.005 | 0.008 |
| Research integrity | 0.012 | 0.011 |
| Insufficient payload (model declined to judge) | 0.111 | 0.086 |
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".