Data Management Strategie voor het Groeifondsprogramma ReGeNL
Bibliographic record
Abstract
In deze factsheet worden de resultaten gepresenteerd van onderzoek naar de ontwikkeling van een Data Management Strategie (DMS) voor het ReGeNL groeifondsprogramma, dat zich richt op de transitie naar rendabele regeneratieve landbouw.Het onderzoek, uitgevoerd in 2024, had als doel om zowel de datamanagementbehoeften van het programma in kaart te brengen als de geschiktheid van bestaande systemen binnen de WUR te evalueren.• Na een korte inleiding en achtergrond bij de opdracht, worden eerst de uitkomsten van de vraaganalyse gepresenteerd.Vervolgens wordt een mogelijke oplossingsrichting gepresenteerd in de vorm van een conceptuele architectuur en bijbehorende tools.Deze architectuur dient als een startpunt voor het programma ReGeNL.• Een belangrijke doelstelling van het programma is het aantonen van de effectiviteit van regeneratieve maatregelen.De belangrijkste bevinding van het onderzoek is dat gestructureerde en geharmoniseerde data-inwinning essentieel is.Dit houdt in dat zowel de toegepaste regeneratieve praktijken als de waargenomen effecten periodiek en nauwkeurig moeten worden vastgelegd.Technisch gezien moet dit proces ondersteund worden door een geharmoniseerd datamodel en een robuuste data-analyseomgeving, om onderzoeksgegevens centraal te beheren, harmoniseren en analyseren.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.234 | 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".