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
- Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。
大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。
本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
論文 参考訳（メタデータ） (2024-10-17T03:26:37Z) - How Mature is Requirements Engineering for AI-based Systems? A Systematic Mapping Study on Practices, Challenges, and Future Research Directions [5.6818729232602205]
既存のREメソッドが十分かどうか、あるいはこれらの課題に対処するために新しいメソッドが必要であるかどうかは不明だ。
既存のRE4AI研究は主に要件分析と導入に重点を置いており、ほとんどの実践はこれらの分野に適用されている。
私たちは、最も一般的な課題として、要件仕様、説明可能性、マシンラーニングエンジニアとエンドユーザのギャップを特定しました。
論文 参考訳（メタデータ） (2024-09-11T11:28:16Z) - OpenResearcher: Unleashing AI for Accelerated Scientific Research [35.31092912532057]
我々は、人工知能(AI)技術を活用して研究プロセスを加速する革新的なプラットフォームであるOpenResearcherを紹介する。
OpenResearcherはRetrieval-Augmented Generation (RAG)に基づいて構築されており、LLM(Large Language Models)と最新のドメイン固有知識を統合する。
我々は、OpenResearcherが研究者のクエリを理解し、科学文献から検索し、検索した情報をフィルタリングし、正確で包括的な回答を提供し、答えを自己修正する様々なツールを開発した。
論文 参考訳（メタデータ） (2024-08-13T14:59:44Z) - Generative AI in Evidence-Based Software Engineering: A White Paper [10.489725182789885]
1年足らずで、実践者や研究者は、生成人工知能の迅速かつ広範な実装を目撃した。
テキストGAI機能により、研究者は世界中で新しい生成シナリオを探索し、すべての時間を要するテキスト生成と分析タスクを簡素化し、急ぐことができる。
現在の調査に基づいて、EBSE研究者を効果的に支援する包括的モデルスイートの作成と実証検証を行う。
論文 参考訳（メタデータ） (2024-07-24T17:16:17Z) - A FAIR and Free Prompt-based Research Assistant [0.0]
研究アシスタント(RA)ツールは6種類の研究タスクを支援するために開発された。
RAのChatGPTやGeminiのような生成AIツールへの依存は、あらゆる科学分野において同様の研究タスク支援を提供することを意味する。
論文 参考訳（メタデータ） (2024-05-23T14:16:46Z) - SurveyAgent: A Conversational System for Personalized and Efficient Research Survey [50.04283471107001]
本稿では,研究者にパーソナライズされた効率的な調査支援を目的とした会話システムであるSurveyAgentを紹介する。
SurveyAgentは3つの重要なモジュールを統合している。文書を整理するための知識管理、関連する文献を発見するための勧告、より深いレベルでコンテンツを扱うためのクエリ回答だ。
本評価は,研究活動の合理化におけるSurveyAgentの有効性を実証し,研究者の科学文献との交流を促進する能力を示すものである。
論文 参考訳（メタデータ） (2024-04-09T15:01:51Z) - 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) - 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) - 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) - 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。