Demystifying Funding: Reconstructing a Unified Dataset of the UK Funding Lifecycle
Die Studie stellt ein neuartiges, einheitliches Dataset vor, das durch die Verknüpfung von UKRI-Fördermöglichkeiten, Projekteinreichungen und Entscheidungsgremien-Ergebnissen erstmals den gesamten britischen Förderlebenszyklus von der Ausschreibung bis zu den Forschungsergebnissen abbildet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das britische Wissenschaftssystem wie einen riesigen, aber etwas chaotischen Supermarkt für Ideen vor.
Normalerweise können Sie nur die fertigen Produkte auf den Regalen sehen: Die erfolgreichen Forschungsprojekte, die bereits Geld bekommen haben und jetzt Ergebnisse liefern. Das ist die Datenbank „Gateway to Research" (GtR), die die britische Regierung (UKRI) betreibt.
Das Problem? Man sieht nicht, was im Lager passiert. Man weiß nicht:
- Welche Waren (Fördermöglichkeiten) überhaupt angeboten wurden.
- Welche Kunden (Forscherteams) versucht haben, etwas zu kaufen.
- Wer genau im Kassenbereich saß und entschieden hat, wer bedient wird und wer mit leeren Händen geht.
Die Autoren dieses Papers (William Thorne, Rupert Shepherd und Diana Maynard) haben sich gedacht: „Das reicht nicht!" Sie wollten den gesamten Lebenszyklus einer Forschungsfinanzierung verstehen – vom ersten Aushang im Supermarkt bis zum fertigen Produkt.
Hier ist, was sie getan haben, einfach erklärt:
1. Die drei verstreuten Puzzleteile zusammenfügen
Bisher waren die Informationen wie drei verschiedene Bücher in verschiedenen Sprachen, die niemand zusammenlas:
- Buch A (Die Projekte): Eine Liste aller erfolgreichen Forschungsprojekte.
- Buch B (Die Angebote): Die Ausschreibungen, bei denen Forscher sagen konnten: „Wir wollen das machen!"
- Buch C (Die Entscheidungen): Die Protokolle der Gremien, die entschieden haben, wer das Geld bekommt.
Das Problem war: Diese Bücher waren nicht miteinander verknüpft. Man wusste oft nicht, zu welchem Angebot ein Projekt gehörte oder welche Entscheidung zu welchem Projekt führte.
Die Autoren haben nun einen digitalen Kleber entwickelt. Sie haben diese drei Quellen technisch so verknüpft, dass man nun eine einzige, riesige Datenbank hat. Man kann jetzt sehen: „Ah, dieses Projekt kam von dieser Ausschreibung, und dieses Gremium hat es genehmigt."
2. Das Rätsel der unleserlichen Listen
Ein großes Hindernis war, dass die Daten nicht sauber vorlagen.
- Manche Daten waren in schönen Tabellen, andere in unordentlichen PDFs.
- Bei manchen Datenbanken (wie bei den großen councils EPSRC und MRC) war der „Export"-Knopf sogar abgeschnürt. Man konnte die Daten nicht einfach herunterladen, obwohl sie eigentlich öffentlich sein sollten. Das ist, als würde ein Supermarkt die Preisschilder hinter Glas verbergen, obwohl man sie laut Gesetz einsehen müsste.
Die Autoren mussten also wie Detektive arbeiten: Sie haben manuell und mit Software-Tools diese unordentlichen Listen (manchmal mit bunten Hintergründen oder in Tabellen ohne Kopfzeilen) entschlüsselt und in eine saubere, einheitliche Form gebracht.
3. Der „Roboter-Leser" für Texte
Viele Informationen steckten nicht in Tabellen, sondern in langen Texten (z. B. „Wie viel Geld gibt es maximal?"). Um das herauszufinden, haben die Autoren einen KI-Leser trainiert.
Stellen Sie sich vor, Sie haben einen Stapel von 2.000-seitigen Büchern und müssen schnell herausfinden, wie lange ein Projekt maximal dauern darf. Wenn Sie den ganzen Text auf einmal lesen, wird der Computer müde und verwirrt.
Die Autoren haben dem Computer beigebracht, das Buch wie einen Baum zu lesen:
- Erst schaut er sich die Hauptäste (Kapitelüberschriften) an.
- Dann sucht er nur in den relevanten Zweigen (Abschnitten).
- So findet er die Antwort viel schneller und genauer, als wenn er den ganzen Text wahllos durchsucht.
Das hat funktioniert: Der Computer konnte in den unstrukturierten Texten fast 90 % der wichtigen Zahlen (wie Geldsummen oder Dauer) korrekt herauslesen.
4. Was haben wir jetzt gewonnen?
Mit dieser neuen, vereinten Datenbank können Forscher und die Öffentlichkeit endlich ganzheitlich schauen:
- Fairness-Check: Bekommen bestimmte Universitäten oder Gruppen systematisch weniger Geld, auch wenn ihre Ideen gut sind?
- Transparenz: Wer sitzt in den Gremien? Gibt es eine „Clique", die sich gegenseitig bevorzugt?
- Die „verlorenen" Ideen: Bisher sah man nur die Gewinner. Jetzt sieht man auch die Verlierer (die abgelehnten Anträge). Das ist wichtig, um zu verstehen, warum manche Ideen abgelehnt wurden.
Zusammenfassung in einer Metapher
Stellen Sie sich vor, Sie wollen verstehen, wie eine Großküche funktioniert.
Bisher durften Sie nur in den Ausgabetresen schauen und sahen nur die fertigen Teller, die an die Gäste verteilt wurden.
Die Autoren haben nun die Küche, den Einkaufswagen und den Chefkoch mit einbezogen. Sie haben die Rezepte (Ausschreibungen), die Bestellungen (Anträge) und die Notizen des Chefs (Entscheidungen) zusammengetragen.
Jetzt können wir endlich sehen:
- Welche Rezepte wurden überhaupt angeboten?
- Wer hat bestellt?
- Warum wurde manche Bestellung abgelehnt?
- Und ob der Chef vielleicht nur seine Lieblingskellner bedient hat.
Das Ziel ist es, das britische Wissenschaftssystem offener, fairer und verständlicher zu machen. Die Datenbank und der Code sind jetzt für alle verfügbar, damit jeder selbst in die Küche schauen darf.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.