論文の概要: Engaging with Researchers and Raising Awareness of FAIR and Open Science
through the FAIR+ Implementation Survey Tool (FAIRIST)
- arxiv url: http://arxiv.org/abs/2301.10236v1
- Date: Tue, 17 Jan 2023 22:38:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 13:51:04.923491
- Title: Engaging with Researchers and Raising Awareness of FAIR and Open Science
through the FAIR+ Implementation Survey Tool (FAIRIST)
- Title(参考訳): FAIR+実装サーベイツール(FAIRIST)による研究者との交流とFAIRとオープンサイエンスの意識向上
- Authors: Christine R. Kirkpatrick, Kevin L. Coakley, Julie Christopher, Ines
Dutra
- Abstract要約: FAIRに関する論文が発表されてから6年後、研究者はまだFAIRの実装方法を理解するのに苦労している。
FAIR+実装調査ツール(FAIRIST)は、研究要件と研究提案を体系的な方法で統合することで問題を緩和する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Six years after the seminal paper on FAIR was published, researchers still
struggle to understand how to implement FAIR. For many researchers FAIR
promises long-term benefits for near-term effort, requires skills not yet
acquired, and is one more thing in a long list of unfunded mandates and onerous
requirements on scientists. Even for those required to or who are convinced
they must make time for FAIR research practices, the preference is for
just-in-time advice properly sized to the scientific artifacts and process.
Because of the generality of most FAIR implementation guidance, it is difficult
for a researcher to adjust the advice to their situation. Technological
advances, especially in the area of artificial intelligence (AI) and machine
learning (ML), complicate FAIR adoption as researchers and data stewards ponder
how to make software, workflows, and models FAIR and reproducible. The FAIR+
Implementation Survey Tool (FAIRIST) mitigates the problem by integrating
research requirements with research proposals in a systematic way. FAIRIST
factors in new scholarly outputs such as nanopublications and notebooks, and
the various research artifacts related to AI research (data, models, workflows,
and benchmarks). Researchers step through a self-serve survey process and
receive a table ready for use in their DMP and/or work plan while gaining
awareness of the FAIR Principles and Open Science concepts. FAIRIST is a model
that uses part of the proposal process as a way to do outreach, raise awareness
of FAIR dimensions and considerations, while providing just-in-time assistance
for competitive proposals.
- Abstract(参考訳): FAIRに関する論文が発表されてから6年後、研究者はまだFAIRの実装方法を理解するのに苦労している。
多くの研究者にとってfairは、短期的な努力に対する長期的な利益を約束し、まだ獲得されていないスキルを必要としている。
必要な人や、FAIR研究の実践に時間を割かなければならないと確信している人であっても、科学的なアーティファクトやプロセスに適切に匹敵するジャスト・イン・タイムのアドバイスが好まれます。
最も公平な実施指導の汎用性のため、研究者が状況に合わせてアドバイスを調整することは困難である。
特に人工知能(AI)と機械学習(ML)の分野での技術進歩は、研究者としてのFAIRの採用を複雑にし、データスチュワードは、ソフトウェアやワークフロー、モデルFAIRを再現可能なものにする方法を考える。
FAIR+実装調査ツール(FAIRIST)は、研究要件と研究提案を体系的な方法で統合することで問題を緩和する。
FAIRISTは、ナノパブリケーションやノートブックなどの新たな学術出力、AI研究(データ、モデル、ワークフロー、ベンチマーク)に関連するさまざまな研究成果に影響を及ぼす。
研究者たちは、セルフサービス調査プロセスを通過して、DMPおよび/または作業計画で使用可能なテーブルを受け取ると同時に、FAIR原則とオープンサイエンスの概念を認識します。
FAIRISTは、提案プロセスの一部をアウトリーチし、FAIRの次元と考慮への意識を高め、競争力のある提案に対してジャスト・イン・タイムの支援を提供するためのモデルである。
関連論文リスト
- Acceleron: A Tool to Accelerate Research Ideation [15.578814192003437]
Acceleronは、研究ライフサイクルの異なるフェーズのための研究アクセラレータである。
これは、新しい研究課題を含む包括的な研究提案の定式化を通じて、研究者を導くものである。
我々はLarge Language Models(LLM)の推論とドメイン固有のスキルを活用してエージェントベースのアーキテクチャを作成します。
論文 参考訳(メタデータ) (2024-03-07T10:20:06Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳(メタデータ) (2023-11-01T11:16:41Z) - Improving the State of the Art for Training Human-AI Teams: Technical
Report #2 -- Results of Researcher Knowledge Elicitation Survey [0.0]
ソナリストは、人間-AIチームのトレーニングを探求する社内イニシアチブを開始した。
この取り組みの最初のステップは、人間-AIチームの研究を促進することができるSTE(Synthetic Task Environment)を開発することです。
論文 参考訳(メタデータ) (2023-08-29T13:54:32Z) - Information Retrieval Meets Large Language Models: A Strategic Report
from Chinese IR Community [180.28262433004113]
大規模言語モデル(LLM)は、テキスト理解、生成、知識推論において例外的な能力を示した。
LLMと人間は、情報検索のためにより強力な新しい技術パラダイムを形成します。
LLMがIR研究に与える影響を徹底的に議論するため、中国のIRコミュニティは2023年4月に戦略的ワークショップを開催した。
論文 参考訳(メタデータ) (2023-07-19T05:23:43Z) - The Semantic Reader Project: Augmenting Scholarly Documents through
AI-Powered Interactive Reading Interfaces [54.2590226904332]
本稿では,研究論文を対象とした動的読解インタフェースの自動作成を目的としたセマンティック・リーダー・プロジェクトについて述べる。
10のプロトタイプインターフェースが開発され、300人以上の参加者と現実世界のユーザが読書体験を改善している。
本論文は,研究論文を読む際,学者と公衆の面を巡って構築する。
論文 参考訳(メタデータ) (2023-03-25T02:47:09Z) - FAIR Begins at home: Implementing FAIR via the Community Data Driven
Insights [1.5766133856827325]
我々は、CDDI(Community of Data Driven Insights)の経験について報告する。
これらの経験は、単一の大学の分野にわたる研究者に対するFAIR実装の複雑な次元を示している。
論文 参考訳(メタデータ) (2023-03-13T19:12:16Z) - Towards Automated Process Planning and Mining [77.34726150561087]
我々は、AIとBPM分野の研究者が共同で働く研究プロジェクトについて紹介する。
プロセスモデルを自動的に導出するための総合的な研究課題、研究の関連分野、および総合的な研究枠組みについて論じる。
論文 参考訳(メタデータ) (2022-08-18T16:41:22Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳(メタデータ) (2021-01-15T10:43:10Z) - Nose to Glass: Looking In to Get Beyond [0.0]
責任ある人工知能を強化するというバナーの下で研究が増えている。
研究の目的は、アルゴリズムシステムの展開によって引き起こされる害に対処し、緩和し、最終的には軽減することである。
しかし、そのようなツールの実装は依然として少ない。
論文 参考訳(メタデータ) (2020-11-26T06:51:45Z) - Learnings from Frontier Development Lab and SpaceML -- AI Accelerators
for NASA and ESA [57.06643156253045]
AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。
我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。
FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
論文 参考訳(メタデータ) (2020-11-09T21:23:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。