MARC

 008260126s2025        us                              c    eng  d
■001000017361295
■00520260202105828
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798270213084
■035    ▼a(MiAaPQ)AAI32399318
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a020
■1001  ▼aJiang,  Tianji.
■24510▼aThe  Landscape  of  Data  Reuse  in  Information  Retrieval  Purposes,  Practices,  and  Decisions
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a265  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Gilliland,  Anne  Jervois.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aMaking  data  open  and  reusable  is  a  central  but  challenging-to-achieve  goal  of  open  data  initiatives.  Data  reuse  is  often  regarded  as  an  important,  value-realizing  stage  of  the  research  data  life  cycle,  and  reusability  is  a  core  element  of  the  FAIR  data  principles,  which  is  widely  a  adopted  framework  for  data  management  and  stewardship.  However,  it  is  essential  to  understand  researchers'  actual  data  reuse  practices  in  order  to  promote  effective  data  sharing  and  reuse  across  the  research  communities.  Although  prior  studies  have  examined  these  practices  in  fields  with  well-established  data  sharing  cultures,  including  astronomy,  earth  and  environmental  sciences,  and  parts  of  the  social  sciences,  many  other  disciplines  remain  unexplored.  There  is  a  growing  need  for  research  that  explores  data  reuse  practices  more  systematically  and  in  greater  depth  across  a  broader  range  of  fields,  especially  those  also  with  longstanding  traditions  of  data  sharing  and  reuse.            This  dissertation  examines  the  landscape  of  data  reuse  practices  within  the  Information  Retrieval  (IR)  research  community.  IR  has  a  long  history  of  reusing  shared  data  and  providing  system-based  experimental  data  for  reuse,  but  its  data  practices  have  never  been  systematically  studied,  and  it  presented  an  interesting  case  because  it  presented  an  research  domain  that  involves  researchers  trained  in  a  wide  range  of  disciplines.  Drawing  on  two  rounds  of  semi-structured  interviews  with  36  participants,  this  study  explores  the  purposes  of  data  reuse,  the  ways  researchers  discover  and  access  data,  the  incentives  and  disincentives  influencing  sharing  and  reuse,  the  decision-making  processes  involved,  and  the  broader  practices  surrounding  data  reuse.  It  identifies  the  three  primary  purposes  for  which  IR  researchers  reuse  data,  exploratory  purposes,  verificatory  purposes,  and  preparatory  purposes,  thereby  broadening  the  typological  framework  for  understanding  why  researchers  reuse  others'  data.  Regarding  data  discovery  and  access,  the  study  finds  that  IR  researchers  primarily  operate  at  the  individual  level,  relying  on  heterogeneous  practices  shaped  by  their  research  areas,  institutional  affiliations,  and  disciplinary  backgrounds.  It  further  demonstrates  that  data  reuse  decisions  are  not  made  in  a  single  step  but  instead  unfold  through  a  multi-stage  process.  Five  key  stages  of  decision-making  are  identified:  methodology  appropriateness  evaluation,  trustworthiness  evaluation,  reusability  screening,  further  reusability  evaluation,  and  compliance  evaluation.  Moreover,  this  study  highlights  how  disciplinary  context  influences  researchers'  approaches  to  data  reuse.  Through  this  analysis,  it  contributes  to  the  studies  on  data  sharing  and  reuse  by  demonstrating  that  data  reuse  behaviors  are  shaped  not  only  by  individual  preferences  and  risk  assessments,  but  also  by  collective  consensus,  incentives,  and  the  epistemic  norms  of  researchers'  communities.            This  work  aims  to  encourage  scholars,  practitioners,  and  infrastructure  designers  to  engage  with  efforts  to  foster  a  sustainable  culture  of  data  reuse.  Continued  research  in  this  area  is  critical  for  developing  the  protocols,  standards,  and  knowledge  infrastructures  necessary  to  support  seamless  and  meaningful  data  sharing  and  reuse,  not  only  within  IR  but  across  diverse  research  communities.  The  dissertation  ends  by  offering  four  directions  for  future  research.  These  include  studying  how  community-level  factors  influence  data  reuse  practices  at  individual  level,  examining  how  researchers  search  for  and  discover  data,  expanding  the  focus  beyond  research  data  to  consider  other  shareable  resources  such  as  code,  experimental  designs,  and  AI  models,  as  well  as  exploring  how  AI  technologies  are  changing  data  practices.
■590    ▼aSchool  code:  0031.
■650  4▼aInformation  science
■650  4▼aLibrary  science
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aData  curation
■653    ▼aInformation  Retrieval
■653    ▼aResearch  data  management
■653    ▼aCost-effectiveness
■653    ▼aFostering  collaboration
■690    ▼a0723
■690    ▼a0399
■690    ▼a0984
■690    ▼a0489
■71020▼aUniversity  of  California,  Los  Angeles▼bInformation  Studies  045A.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361295▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서