Archivo de la etiqueta: Gestión de datos de investigación

Medición del valor económico de los datos y de los flujos de datos

Measuring the economic value of data and cross-border data flows. A business perspective. Paris: OCDE, 2020

Texto completo

Más sobre Gestión de datos de investigación

La cantidad y variedad de datos que las empresas reúnen, agregan y analizan ha aumentado drásticamente en los últimos años. En este documento se investiga cómo se puede conceptualizar y medir el valor económico de los datos desde una perspectiva empresarial. El informe examina la monetización de los datos como una estrategia para desarrollar nuevos modelos empresariales o mejorar los tradicionales, y propone una nueva taxonomía para los datos que se centra en la medición de su valor empresarial. En el documento también se examina la forma en que las diferentes características y tipos de datos afectan al valor económico, antes de examinar el papel de los flujos de datos transfronterizos como factor clave de nuestra economía mundial. Como parte de este debate, se presenta el concepto de «cadena de valor de los datos mundiales», basado en la idea de que la digitalización permite el desprendimiento físico de la recopilación, el análisis, el almacenamiento y la monetización de los datos. El documento concluye con un resumen y un debate sobre las vías más prometedoras para medir el valor económico de los datos.

Recomendación de citación: enfoques y conjuntos de datos

figure2

Michael Färber ; Adam Jatowt. “Citation Recommendation: Approaches and Datasets”. International Journal on Digital Libraries DOI: 10.1007/s00799-020-00288-2

Texto completo

La recomendación de citas describe la tarea de como citar un texto determinado. Debido a la sobrecarga de trabajos científicos publicados en los últimos años, por una parte, y a la necesidad de citar las publicaciones más apropiadas al redactar textos científicos, por otra, la recomendación de citas ha surgido como un importante tema de investigación. En los últimos años se han presentado varios enfoques y conjuntos de datos de evaluación. Sin embargo, hasta donde sabemos, no se ha realizado ningún estudio de la literatura explícitamente sobre la recomendación de citas.

En este artículo, proporciona una introducción completa a la investigación de la recomendación de citación automática. A continuación, presentamos una visión general de los enfoques y conjuntos de datos para la recomendación de citas e identificamos las diferencias y los puntos comunes utilizando varias dimensiones. Por último, pero no por ello menos importante, arrojamos luz sobre los métodos de evaluación y esbozamos los retos generales de la evaluación y cómo afrontarlos. Nos limitamos a la recomendación de citas para publicaciones científicas, ya que este tipo de documento es el que más se ha estudiado en esta área. Sin embargo, muchas de las observaciones y discusiones incluidas en este estudio también son aplicables a otros tipos de texto, como artículos de noticias y artículos enciclopédicos.

¿Qué pueden hacer las humanidades por la ciencia de datos? Libro blanco

McGillivray, Barbara et al. (2020). The challenges and prospects of the intersection of humanities and data science: A White Paper from The Alan Turing Institute, 2020

Texto completo

El nuevo libro blanco hace recomendaciones clave para la investigación en la intersección de las dos disciplinas y explora el gran potencial de nuevas investigaciones innovadoras en la intersección entre las disciplinas de ciencia de datos y humanidades y ofrece recomendaciones clave para financiadores, instituciones académicas e investigadores.

Las herramientas digitales y la ciencia de datos presentan muchas oportunidades que podrían transformar la investigación en humanidades. Al mismo tiempo, las humanidades, disciplinas académicas que estudian aspectos de la sociedad y la cultura humanas, también tienen el potencial de transformar la investigación en ciencia de datos. Este debería ser un intercambio bidireccional de enfoques y conocimientos. El nuevo documento define el panorama actual de la investigación en humanidades digitales del Reino Unido y reflexiona sobre lo que implica la investigación basada en datos dentro de las humanidades. También destaca una serie de recomendaciones sobre cómo estas dos comunidades pueden trabajar juntas de manera más fácil y mejor para aprovechar todo el potencial del trabajo interdisciplinario.  

El documento describe recomendaciones en siete áreas en dos temas para apoyar y promover la investigación interdisciplinaria en ciencia de datos y humanidades, que incluyen:

Proceso de investigación

  1. Marcos metodológicos y culturas epistémicas : Desarrollar marcos / terminología metodológicos comunes y fomentar un uso más amplio de protocolos de investigación compartidos en estas áreas. 
  2. Mejores prácticas en el uso y evaluación de herramientas computacionales : Utilizar prácticas que aseguren la transparencia y apertura en la investigación y programas de capacitación para ayudar a elegir las herramientas computacionales más adecuadas en la investigación en humanidades. 
  3. Investigación reproducible y abierta : promueva la investigación transparente y reproducible en las humanidades, incluidos datos, código, flujos de trabajo, entornos computacionales, métodos y documentación. 

Facilitadores y estructuras de apoyo  

  1. Infraestructura técnica : Desarrollar infraestructura para democratizar el acceso a los recursos digitales y garantizar su mantenimiento y mejora continua. 
  2. Política de financiación y evaluación de la investigación : cree planes entre consejos que financien proyectos colaborativos de ciencia de datos. Cuando sea apropiado, el uso de protocolos de investigación en proyectos de ciencia de datos relacionados con datos de humanidades debe incluir perspectivas de humanidades. 
  3. Capacitación, educación y experiencia : Mejora a los investigadores de humanidades en métodos cuantitativos y computacionales e incorpora estos métodos en títulos de pregrado y posgrado. 
  4. Carrera, desarrollo y equipos : fomente múltiples trayectorias profesionales y ejemplos de trabajo para que los estudiantes y los investigadores de carrera temprana puedan ver qué opciones de carrera podrían estar abiertas para ellos. 

 

Gestión eficaz de los datos

Effective Data Governance: A Survey Of Federal Chief Data Officers. Data Foundation, 2020

Texto completo

Cuando el Congreso estadounidense aprobó la ley bipartidista de fundamentos para la formulación de políticas basadas en la evidencia (Ley de la evidencia), estableció claras expectativas para que los organismos federales fortalecieran la gobernanza de datos. Se exige a los organismos que hagan un inventario de los datos, promuevan la apertura y la publicación de la información y garanticen el liderazgo para mejorar la gestión de los datos en general. También se formalizó la función de Chief Data Officer (CDO) en los organismos y se normalizaron las responsabilidades de los OCD.

La Fundación para los Datos, en asociación con el sector público de Grant Thornton y Qlik, realizó una encuesta entre los CDO del gobierno federal para evaluar los progresos realizados en la aplicación de sus nuevas funciones y responsabilidades. Hay señales de progreso, ya que las agencias federales aplican la Ley de Pruebas y la orientación complementaria del Poder Ejecutivo. Los principales resultados de la encuesta incluyen:

Resumen ejecutivo

  • La mayoría de los CDO tienen años de experiencia en el gobierno federal y su agencia específica, aunque su papel como CDO haya sido breve. Entre los CDO que respondieron, el 97% trabajó para el gobierno federal durante cinco años o más; el 61% ha estado con la misma organización durante al menos cinco años.
  • Los CDOs informan sobre los progresos en los principales resultados. Casi el 75% de los CDO informaron de los esfuerzos exitosos de gobernanza de datos y los progresos en la elaboración de inventarios de datos, requisitos básicos enumerados en la Ley de pruebas.
  • Siguen existiendo desafíos y barreras para la aplicación efectiva de las CDO. Incluso cuando las CDO avanzan en el cumplimiento de las obligaciones básicas, observan desafíos para cumplir con las responsabilidades individuales y las expectativas de la comunidad. Tres de cada cinco CDO citan los requisitos financieros y las limitaciones presupuestarias como obstáculos importantes para promover un gobierno basado en datos; la mitad ha experimentado dificultades para definir el papel del CDO en el gobierno.
  • Los CDO están de acuerdo en las prioridades actuales. A pesar de los desafíos, muchos CDO expresan su acuerdo sobre las prioridades del gobierno basado en datos durante el próximo año. Casi las tres cuartas partes están dando prioridad a la finalización del inventario de datos de su organismo, dos tercios tienen la intención de centrarse en mejorar los datos, así como aplicar una amplia estrategia de datos, y la mitad se centra en la evaluación de la madurez de los datos de los organismos

Decisiones sobre el ciclo de vida para los datos biomédicos

 

ecwbxaruyaarr-z

 

National Academies of Sciences, Engineering, and Medicine. 2020. Life Cycle Decisions for Biomedical Data: The Challenge of Forecasting Costs. Washington, DC: The National Academies Press. https://doi.org/10.17226/25639.

Texto completo

 

La investigación biomédica da como resultado la recopilación y el almacenamiento de conjuntos de datos cada vez más grandes y complejos. Preservar esos datos para que sean detectables, accesibles e interpretables acelera el descubrimiento científico y mejora los resultados de salud, pero requiere que los investigadores, curadores de datos y archiveros de datos consideren la disposición a largo plazo de los datos y los costos de preservar, archivar y promover acceso a ellos.

Elsevier OA CC-BY Corpus: 40.000 artículos abiertos y sus metadatos

 

how-parse-trees-work

Elsevier OA CC-BY Corpus. 

Noticia y corpus

 

Este es el primer corpus abierto de artículos de investigación científica que tiene una muestra representativa de todas las disciplinas científicas. Este corpus no solo incluye el texto completo del artículo, sino también los metadatos de los documentos, junto con la información bibliográfica de cada referencia.

Este conjunto de datos se publicó para respaldar el desarrollo de modelos de  aprendizaje automático (ML) y procesamiento del lenguaje natural (NLP)  dirigidos a artículos científicos de todos los dominios de investigación. Si bien la versión se basa en otros conjuntos de datos diseñados para dominios y tareas específicos, permitirá derivar conjuntos de datos similares o desarrollar modelos que se puedan aplicar y probar en todos los dominios.

La alfabetización de datos como alfabetización digital de las humanidades: Exploración de los conceptos de umbral

 

jordan-morrow-august-blog

 

Data Literacy as Digital Humanities Literacy: Exploration of Threshold Concepts
By Kayla Abner
22 Jun 2020 | D+H 2020 Special Issue

Ver completo

 

Para aquellos que son tanto bibliotecarios como formadores de humanidades digitales, debemos crear nuevos marcos para la enseñanza y el aprendizaje o tratar de mapear los existentes para la instrucción de la biblioteca. La «alfabetización digital en humanidades» es una combinación de muchas áreas de alfabetización. Sin embargo, la prevalencia de los datos tanto en nuestra vida cotidiana como en las humanidades digitales coloca la alfabetización de datos en una posición de importancia. A continuación, se proponen conceptos básicos para la alfabetización de datos y se ilustra cómo esos conceptos pueden proporcionar un punto de vista a través de la cual podemos explorar una parte de la erudición en humanidades digitales. Definir los conceptos umbral será útil en la comunicación entre los humanistas digitales y en nuestro trabajo pedagógico diario.

Para ilustrar la aplicación de estos conceptos umbral, se explora el proyecto de visualización de datos, Torn Apart/Separados, a través de una visión de la alfabetización de datos. El equipo del proyecto ha documentado y compartido claramente sus procesos de recopilación de datos y reconoce las limitaciones de los mismos. A través de estos medios, invitan a una evaluación crítica de los datos y su uso, un principio general de alfabetización de datos (Calzada Prado & Marzal, 2013).

Para discutir la utilidad de los conceptos de umbral en la alfabetización de datos, debemos partir de una comprensión compartida de los mismos. Los conceptos de umbral representan información que el alumno no conocía previamente, y una vez que una persona aprende y comprende esa información, cambia permanente y drásticamente su percepción del tema (Meyer, Land & Baillie, 2010). Una persona que entiende un concepto de umbral puede hacer preguntas más precisas y exhibirá ciertos comportamientos que muestran un profundo nivel de comprensión.

La alfabetización de datos, en términos generales, es la capacidad de crear, manipular, gestionar, analizar, comprender y comunicar datos de forma crítica (Koltay, 2014; Calzada Prado & Marzal, 2013; Fontichiaro & Oehrli, 2016). Basándome en trabajos relevantes sobre la alfabetización digital y las humanidades digitales, y en temas que son pertinentes en la enseñanza, se discuten los conceptos preliminares de umbral para la alfabetización digital en las humanidades digitales, como base para definir los resultados del aprendizaje y evaluar el aprendizaje de los estudiantes en torno al trabajo con datos de humanidades. Estos conceptos son la comprensión de los datos como información creada por el hombre y/o la máquina, el reconocimiento de los datos como sólo una parte de la narrativa y el papel de los datos en la investigación.

 

Conceptualización de las actividades de curación de datos en dos bibliotecas universitarias

 

b970de2323e4c535b70b3701b46e7f08

 

Lafferty-Hess, S., Rudder, J., Downey, M., Ivey, S., Darragh, J. and Kati, R., 2020. Conceptualizing Data Curation Activities Within Two Academic Libraries. Journal of Librarianship and Scholarly Communication, 8(1), p.eP2347. DOI: http://doi.org/10.7710/2162-3309.2347

 

A medida que los patrocinadores y las revistas crean políticas que requieren una gestión y un intercambio de datos eficaces, muchas instituciones han desarrollado programas de gestión de datos de investigación (RDM) para ayudar a los investigadores a cumplir con estos mandatos. Si bien no existe un conjunto estándar de servicios para estos programas de RDM, algunas instituciones, particularmente aquellas con repositorios que aceptan depósitos de datos, brindan servicios de conservación de datos como una forma de agregar valor a los datos de investigación y ayudar a que los datos sean más accesibles y reutilizables. Las comunidades de partes interesadas dentro del campo, como la Red de Conservación de Datos (DCN), también están desarrollando pautas, procedimientos y mejores prácticas para apoyar y expandir las prácticas de conservación de datos. 

Este documento examina las actividades de conservación de datos definidas por el DCN, y describe una actividad realizada por el personal de la biblioteca en la Universidad de Duke y la Universidad de Carolina del Norte en Chapel Hill para crear un modelo estructurado de estas tareas para conceptualizar y comunicar más fácilmente la conservación de datos dentro de estos dos entornos institucionales. El propósito de este documento es describir cómo este modelo proporcionó una base para la implementación y expansión de los servicios de conservación de datos en cada institución y concluye con las lecciones generales aprendidas.

A medida que desarrollamos nuestros servicios, las bibliotecas tienen la oportunidad de hacer que el trabajo de curaduría, a menudo invisible, sea más transparente. Este documento tiene como objetivo proporcionar un punto de referencia para otras bibliotecas a medida que consideran cómo ampliar sus programas de conservación de datos, así como contribuir a las discusiones sobre la priorización de los servicios, la evaluación del programa y la comunicación con las partes interesadas.

¿Podría ser este el comienzo de una nueva era en la comunicación académica?

franck-v-tincphudgrw-unsplash-1080x675-1

Lawrence, Rebecca. Could this be the start of a new era in scholarly communication?. F1000, 9 jul 2020

Ver original

Rebecca Lawrence, Directora Gerente de F1000 Research Ltd, analiza cómo debemos aprender y aprovechar los nuevos enfoques empleados durante la pandemia de COVID-19 para dar forma a la «nueva normalidad». de comunicación académica.

A pesar de todo el impacto devastador que la pandemia de coronavirus ha tenido en todos nosotros, también ha demostrado cómo es posible cambiar rápidamente las culturas y mentalidades previamente arraigadas. Tomemos, por ejemplo, la capacidad de una gran proporción de la población activa para trabajar ahora con la misma eficacia desde su hogar, sin el impacto ambiental y de viaje significativo habitual causado por los viajes diarios y de larga distancia a reuniones y conferencias en todo el mundo.

Mientras tanto, en el ámbito de la investigación académica, se ha ejercido una presión cada vez mayor en las últimas dos décadas para repensar cómo revisamos y difundimos nuevas investigaciones: para alejarnos del modelo basado en la revista tradicional que ha sido el pilar central de la comunicación académica en los últimos 300 años. y maximizar las oportunidades y el potencial que pueden aportar las nuevas tecnologías y enfoques. Se han hecho algunos progresos, pero el ritmo del cambio ha sido mucho más lento de lo que muchos esperaban. ¿Podría esta pandemia ser el desencadenante que finalmente permite un cambio total en la forma en que llevamos a cabo, nos comunicamos y discutimos nuevas investigaciones?

Acelerar la investigación y su comunicación.

El mundo de la investigación ha demostrado que es posible  avanzar en el descubrimiento de fármacos y vacunas  [1] durante esta pandemia a velocidades mucho más rápidas que las obtenidas anteriormente mediante el uso de infraestructuras para apoyar el intercambio, la reutilización y la colaboración en torno a los datos; publicación rápida y herramientas de discusión / revisión (como se discute a continuación); y a través de una mayor transparencia y accesibilidad a nuevas investigaciones.

Hemos visto un  gran aumento en el uso de servidores de preprints  [2] como  bioRxiv  [3],  medRxiv  [4] y otros, para compartir rápidamente nuevas ideas sobre el coronavirus. Dichos servidores de preprints (por ejemplo,  arXiv  [5]) se desarrollaron originalmente para permitir a los investigadores recibir comentarios tempranos sobre los artículos antes de enviarlos a la revista y reclamar prioridad sobre los resultados. Durante el brote de coronavirus, los preprints se han utilizado cada vez más como una forma de compartir rápidamente nuevas investigaciones antes de pasar por una revisión por pares para que otros investigadores en el campo evaluaran rápidamente los resultados y, cuando fuera apropiado, comenzar a desarrollarlos sin el retraso normal (a menudo meses) en espera de la publicación formal de la revista.

Otro enfoque nuevo ha sido el desarrollo de  Outbreak Science  [6] (financiado por Wellcome), una plataforma que permite a los investigadores (públicos o anónimos) proporcionar una revisión estructural de un preprint con el objetivo de proporcionar un triaje inicial de la comunidad. Varios editores y grupos relacionados también se han reunido para analizar cómo pueden  maximizar la eficiencia en la revisión por pares  [7] para la investigación relacionada con el coronavirus, para minimizar las solicitudes directas de revisión por pares de expertos en coronavirus ya sobrecargados a través de un triaje efectivo antes de la revisión por pares, y para reducir la revisión entre los lugares de publicación para aportaportar ganancias en términos de coste y eficiencia al sistema.

La velocidad no debe ser a expensas de la confianza

Sin embargo, algunas experiencias de publicación rápida durante la pandemia han puesto de relieve una serie de fallas inherentes en estos procesos que simplemente no se pueden ignorar. Aunque la mayoría de los servidores de preprints incluyen advertencias claras de que los preprints que alojan no han sido revisadas por pares, ha habido algunos casos desafortunados en los que se han usado preprints de baja calidad para  alimentar noticias falsas y fragmentar el debate público  [8]. Dado el impacto potencial de esta investigación en el área salud,  muchos servidores de preprints ahora han introducido controles adicionales  [9] para ayudar a aumentar la confianza en el contenido para tratar de minimizar el potencial de mal uso y la mala interpretación de los resultados que se informan.

Además, la mayoría de las investigaciones sobre servidores de preprints no incluyen el intercambio de datos, códigos y materiales subyacentes, lo que minimiza la capacidad de un escrutinio completo (incluida la revisión por pares) de los resultados para respaldar su reutilización. De hecho, los problemas con esto se han puesto de manifiesto con las recientes retractaciones de dos documentos de COVID-19 en  The Lancet  [10] y  NEJM  [11], así como de un preprints adicional, todo lo cual había comenzado a influir en el tratamiento. En cada caso, la  falta de acceso a los datos subyacentes. [12] para permitir la verificación independiente de los resultados en última instancia, llevó a cuestionar sus afirmaciones importantes. Esto pone de relieve no solo cuán crucial es que tales datos subyacentes estén disponibles para su revisión, sino también que la revisión por pares de la investigación debe ser abierta y transparente, para que quede claro para todos qué nivel de revisión de expertos ha tenido lugar, por quién, y sus comentarios.

De hecho, hay una serie de modelos de publicación de investigación de uso generalizado que están diseñados precisamente para permitir la publicación rápida de nuevos hallazgos (como lo hace un preprints) mientras se asegura la revisión por expertos y transparente para apoyar la confianza y la toma de decisiones en torno a un artículo. y su uso potencial. F1000Research  [13] desarrolló un modelo de publicación de este tipo para las ciencias de la vida en 2013, con el requisito obligatorio de que los datos y el código subyacentes sean FAIR (Finable, Accesible, Interoperable y Reutilizable) para respaldar la reproducibilidad de los hallazgos y su uso y reutilización. Además, las publicaciones se pueden actualizar a medida que entran nuevos datos o se desarrolla una nueva comprensión, lo que permite que la publicación rastree el flujo de trabajo de investigación en curso, como un «artículo vivo».

Este modelo ahora se está extendiendo a todas las disciplinas de investigación, y los principales financiadores de todo el mundo ahora también tienen sus propias plataformas de publicación para sus beneficiarios utilizando este mismo modelo de publicación rápida y transparente, incluyendo  Wellcome [14], the Bill & Melinda Gates Foundation [15], the Irish Health Research Board [16], y más adelante este año, la  Comisión Europea  [17]. De hecho, estas plataformas han visto un gran aumento en las presentaciones en COVID-19 durante este tiempo debido a los beneficios obvios de este enfoque durante tal emergencia [para ejemplos ver 18, 19 y 20]. Además, este modelo puede generar considerables ganancias en costos y eficiencia: los costos promedio de procesamiento de artículos en Wellcome Open Research son  67% más baratos que el promedio de Wellcome paga a otras plataformas por el acceso abierto [21], y además el modelo permite la publicación de una gama mucho más amplia de resultados.

La punta del iceberg

A medida que el ritmo de la investigación se acelere mediante el uso de flujos de trabajo más automatizados y enfoques basados ​​en inteligencia artificial, la velocidad y la eficiencia en la comunicación y la revisión académica serán cada vez más cruciales. Necesitamos pensar cuidadosamente sobre el papel y el valor de la revisión por pares, y qué tipo de proceso de revisión es más relevante y beneficioso en diferentes circunstancias y contextos. Por ejemplo, algunos productos pueden requerir listas de verificación simples para garantizar informes adecuados según los estándares de la comunidad; Algunos resultados de gran volumen y altamente estructurados pueden revisarse mejor a través de enfoques orientados a la IA seguidos de una revisión de la comunidad. Vamos a necesitar ser más inteligentes y más eficientes sobre el uso del recurso finito y cada vez más utilizado por los investigadores en ejercicio en la revisión por pares.

Hay muchas otras ‘emergencias’ más allá de la pandemia actual que garantizan una escalada en velocidad y transparencia a través de la comunicación rápida de conocimientos sólidos para ayudarnos a abordar algunos de los mayores desafíos del mundo, como el cambio climático u otras enfermedades y trastornos que afectan a las vidas de las personas, desde campos más prominentes como el cáncer y trastornos de salud mental, hasta enfermedades raras. ¿Pero por qué parar allí? Muchas disciplinas más allá de las ciencias de la Salud también necesitan esta urgencia: las nuevas innovaciones en las Ciencias Físicas y la Ingeniería, nuestra comprensión de la Sociología, la Geografía, la Cultura, etc., tienen sus propios impactos significativos en la vida y el bienestar humanos, y merecen beneficiarse igualmente de la rapidez y enfoques de publicación transparentes.

¿El comienzo de una nueva era?

Para hacer una transición más amplia a enfoques de publicación rápidos y transparentes, necesitaremos un cambio cultural adicional en la forma en que la investigación y los investigadores son evaluados e incentivados para permitirles utilizar estos nuevos enfoques para ayudarlos a trabajar de manera más eficiente y efectiva. Este ya ha sido el foco de muchas iniciativas importantes, incluida  DORA  (la Declaración de Evaluación de Investigación de San Francisco) [22] y el reciente  informe final de la Plataforma de Política de Ciencia Abierta de la CE  [23].

Con las instituciones de investigación y educación superior de todo el mundo enfrentando una nueva realidad tras la pandemia de coronavirus, ahora es el momento de repensar cómo se involucran en la comunicación académica de los resultados de sus investigadores, junto con los financiadores, las organizaciones de formulación de políticas y las comunidades de investigación, para maximizar el costo potencialmente significativo y las ganancias de eficiencia del uso de nuevas herramientas y enfoques.

La pandemia de coronavirus ha demostrado la necesidad y la importancia de contar con formas de trabajo eficaces y colaborativas y ha demostrado el valor de los procesos y herramientas que respaldan un intercambio y una participación más rápida en la investigación. Necesitamos aprender de lo que funcionó mejor cuando nos vimos obligados a concentrarnos en un desafío urgente, y no simplemente volver a las viejas formas de hacer las cosas, sino asegurarnos de utilizar los mejores elementos de estos modelos para tender. a esto como una «nueva normalidad».

Referencias

[1]  https://cen.acs.org/pharmaceuticals/drug-development/COVID-19-vaccines-antibodies-advance/98/i24

[2]  https://www.nature.com/articles/d41586-020-01394-6

[3]  https://www.biorxiv.org/

[4]  https://www.medrxiv.org/

[5]  https://arxiv.org/

[6]  https://outbreaksci.prereview.org/

[7]  https://oaspa.org/scholarly-publishers-working-together-during-covid-19-pandemic/

[8]  https://blogs.lse.ac.uk/impactofsocialsciences/2020/04/03/between-fast-science-and-fake-news-preprint-servers-are-political/

[9]  https://www.nature.com/articles/d41586-020-01394-6

[10]  https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)31180-6/fulltext

[11]  https://www.nejm.org/doi/full/10.1056/NEJMoa2007621

[12]  https://www.sciencemag.org/news/2020/06/two-elite-medical-journals-retract-coronavirus-papers-over-data-integrity-questions

[13]  https://f1000research.com/

[14]  https://wellcomeopenresearch.org/

[15]  https://gatesopenresearch.org/

[16]  https://hrbopenresearch.org/

[17]  https://ec.europa.eu/research/openscience/index.cfm

[18]  https://f1000research.com/gateways/disease_outbreaks/coronavirus

[19]  https://wellcomeopenresearch.org/collections/covid19

[20]  https://hrbopenresearch.org/collections/coronavirus

[21]  https://blog.wellcomeopenresearch.org/2020/01/27/wellcome-open-research-a-summary-of-year-3/

[22]  https://sfdora.org/

[23]  https://ec.europa.eu/research/openscience/pdf/ec_rtd_ospp-final-report.pdf#view=fit&pagemode=none

Estudio de mercado europeo de datos

 

image-11

 

The European data market study update. European Commision, 2020

Texto completo

 

El estudio proporciona datos y cifras y una serie de historias cuantitativas sobre la innovación basada en datos para respaldar una gama de medidas políticas específicas que abordan la economía de datos de la UE. Con la ayuda de los resultados del estudio, se ha vuelto más fácil obtener una evaluación objetiva del enorme potencial socioeconómico vinculado al espacio de datos europeo común.

Las áreas clave cubiertas por los indicadores medidos en este informe son:

  • Los profesionales de datos y el equilibrio entre la demanda y la oferta de habilidades de datos;
  • Las empresas de datos y sus ingresos;
  • Las empresas usuarias de datos y sus gastos en tecnologías de datos;
  • El mercado de productos y servicios digitales («Mercado de datos»);
  • La economía de datos y sus impactos en la economía europea.
  • Escenarios de pronóstico de todos los indicadores, basados ​​en trayectorias de mercado alternativas.