論文の概要: FAIR Begins at home: Implementing FAIR via the Community Data Driven
Insights
- arxiv url: http://arxiv.org/abs/2303.07429v1
- Date: Mon, 13 Mar 2023 19:12:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 17:40:16.946981
- Title: FAIR Begins at home: Implementing FAIR via the Community Data Driven
Insights
- Title(参考訳): FAIRが家庭で実現 - Community Data Driven InsightsによるFAIRの実装
- Authors: Carlos Utrilla Guerrero, Maria Vivas Romero, Marc Dolman, Michel
Dumontier
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.5766133856827325
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Arguments for the FAIR principles have mostly been based on appeals to
values. However, the work of onboarding diverse researchers to make efficient
and effective implementations of FAIR requires different appeals. In our recent
effort to transform the institution into a FAIR University by 2025, here we
report on the experiences of the Community of Data Driven Insights (CDDI). We
describe these experiences from the perspectives of a data steward in social
sciences and a data scientist, both of whom have been working in parallel to
provide research data management and data science support to different research
groups. We initially identified 5 challenges for FAIR implementation. These
perspectives show the complex dimensions of FAIR implementation to researchers
across disciplines in a single university.
- Abstract(参考訳): FAIR原則の主張は、主に価値へのアピールに基づいている。
しかし、多様な研究者がFAIRの効率的かつ効果的な実装を行うためには、異なる魅力が必要である。
2025年までにこの機関をFAIR大学に転換するための最近の取り組みでは、Community of Data Driven Insights(CDDI)の経験について報告します。
これらの経験を, 社会科学におけるデータスチュワードとデータ科学者の視点から述べる。両者は, 研究データ管理とデータサイエンスの支援を異なる研究グループに提供するために並行して取り組んできた。
最初は、FAIR実装の5つの課題を特定しました。
これらの視点は、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。
関連論文リスト
- MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳(メタデータ) (2024-06-10T15:19:09Z) - Towards Generalizing Inferences from Trials to Target Populations [6.836945436656676]
本稿では,ブラウン大学における複数学際ワークショップをカプセル化して,外部の妥当性問題に対処する最前線について述べる。
社会科学、医学、公衆衛生、統計学、コンピュータ科学、教育など様々な分野の専門家は、外挿実験で各分野が直面する固有の障害に対処した。
そこで本論文は,因果効果の一般化性と輸送性に関する総合的理解を高めることを目的としている。
論文 参考訳(メタデータ) (2024-02-26T21:49:44Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。
我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
論文 参考訳(メタデータ) (2023-11-12T06:32:30Z) - 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) - TAPS Responsibility Matrix: A tool for responsible data science by
design [2.2973034509761816]
データサイエンスプロジェクトの社会的、法的、倫理的側面を探求する枠組みとして、透明性、説明責任、プライバシー、社会責任マトリックス(TAPS-RM)について述べる。
TAPS-RMの開発モデルと、オープンデータのためのよく知られたイニシアチブをマッピングする。
TAPS-RMはデータサイエンスプロジェクトレベルでの責任を反映するツールであり、設計による責任あるデータサイエンスの推進に利用することができると結論付けている。
論文 参考訳(メタデータ) (2023-02-02T12:09:14Z) - Engaging with Researchers and Raising Awareness of FAIR and Open Science
through the FAIR+ Implementation Survey Tool (FAIRIST) [0.0]
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。
論文 参考訳(メタデータ) (2023-01-17T22:38:30Z) - FAIR for AI: An interdisciplinary and international community building
perspective [19.2239109259925]
FAIRの原則は、適切なデータ管理とスチュワードシップの前提条件として2016年に提案された。
FAIRの原則は、データを生成するソフトウェア、ツール、アルゴリズム、データセットを含むように再解釈または拡張されている。
このレポートは2022年6月7日にアルゴンヌ国立研究所で開催されたFAIR for AIワークショップに基づいている。
論文 参考訳(メタデータ) (2022-09-30T22:05:46Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳(メタデータ) (2022-05-23T08:34:25Z) - We Need to Talk About Data: The Importance of Data Readiness in Natural
Language Processing [3.096615629099618]
我々は、NLPにおける学術研究と学術以外の問題への応用との間にはギャップがあると主張している。
本稿では,データのアクセシビリティ,有効性,有用性に関して,研究者と外部利害関係者のコミュニケーションを改善する方法を提案する。
論文 参考訳(メタデータ) (2021-10-11T17:55:07Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳(メタデータ) (2021-06-10T15:49:58Z) - 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。