Click here to download

For Big Data in evaluation research: an operational proposal to manage the product-reviewer matching in the VQR
Journal Title: RIV Rassegna Italiana di Valutazione 
Author/s: Lorenzo Barbanera, Federica Floridi, Federica Fusillo 
Year:  2017 Issue: 68 Language: Italian 
Pages:  17 Pg. 103-119 FullText PDF:  354 KB
DOI:  10.3280/RIV2017-068007
(DOI is like a bar code for intellectual property: to have more infomation:  clicca qui   and here 



Keywords: Big Corpora; Big Data; Evaluation of Quality Research; Content Analysis; Textual Analysis; Peer Review.

  1. Amico A. e D’Alessandro A. (2016). Strategie di gestione e analisi di grandi basi di dati amministrativi: l’utilità di trasformare dati sincronici in vettori diacronici. Sociologia e Ricerca Sociale, 109: 127-142., 10.3280/SR2016.10901DOI: 10.3280/SR2016.10901
  2. Agnoli M. S. (1992). La costruzione delle variabili tra rilevazione e analisi dei dati: il caso dei sondaggi, in Marradi A., Gasperoni G., a cura di, 1992, Costruire il dato 2. Vizi e virtù di alcune tecniche di raccolta delle informazioni, Milano: Angeli.
  3. Angoli M. S. (2016). L’arte intellettuale al cospetto dei big data. Sociologia e Ricerca Sociale, 109: 7-17., 10.3280/SR2016-10900DOI: 10.3280/SR2016-10900
  4. Anvur (2017a). Valutazione della qualità della ricerca (VQR 2011-2014). Rapporto finale di Area (GEV 14).
  5. Anvur (2017b). Valutazione della qualità della ricerca (Vqr 2011-2014). Rapporto finale di Area (GEV 14). Appendice A-Criteri per la valutazione dei prodotti di ricerca.
  6. Anzera G., Fasanella A., Liani S., Martire F. e Palmieri M. (2016). L’auto-valutazione della produzione di una comunità scientifica: una proposta metodologica. RIV-Rassegna Italiana di Valutazione, 64: 112-131., 10.3280/RIV2016.06400DOI: 10.3280/RIV2016.06400
  7. Aragona B. (2016). Big data o data that are getting bigger? Sociologia e Ricerca Sociale, 109: 42:53., 10.3280/SR2016-10900DOI: 10.3280/SR2016-10900
  8. Battistin E., Checchi D. e Verzillo S. (2014). La riforma di decentramento dei concorsi universitari in Italia. RIV-Rassegna Italiana di Valutazione, 58: 51-79., 10.3280/RIV2014-05800DOI: 10.3280/RIV2014-05800
  9. Benvenuto G., Decataldo A. e Fasanella A., a cura di (2012). C’era una volta l’università? Analisi longitudinale delle carriere degli studenti prima e dopo la grande riforma. Acireale-Roma: Bonanno. Bolasco S. (2013). L’analisi automatica dei testi. Fare ricerca con il text mining. Roma: Carocci.
  10. Bruschi A. (1999). Metodologia delle scienze sociali. Milano: Mondadori.
  11. Crane D. (1965). Scientists at major and minor university. A study of productivity recognition, American sociological review, 30: 699-714.
  12. Crane D. (1967). The gatekeepers of science. Some factors affecting the selection of articles in scientific journals, American sociologist, 2: 195-201.
  13. Della Ratta-Rinaldi F. (2007). L’analisi testuale computerizzata. In: Cannavò L. e Frudà L., a cura di, Ricerca sociale, Tecniche speciali di rilevazione, trattamento e analisi. Roma: Carocci editore.
  14. Di Franco G. (2011). Tecniche e modelli di analisi multivariata. Milano: FrancoAngeli.
  15. Faggiano M. P. (2016). L’analisi del contenuto di oggi e di ieri. Testi e contesti on e off line. Milano: FrancoAngeli.
  16. Fasanella A e Di Benedetto A. (2014). Luci ed ombre nella VQR 2004-2010: un focus sulla scheda di valutazione peer. Sociologia e ricerca sociale, 104:59-84., 10.3280/SR2014-10400DOI: 10.3280/SR2014-10400
  17. Hillard R. (2012). It’s time for a new definition of big data (-- http://www.infodrivenbusiness.com/post.php?post=012/03/18/its-time-for-a-new-definition-of-big-data/).
  18. Hoiat M., Gonnella J. S., Caelleigh A. S. (2003). Impartial judgment by the “gatekeepers” of science: fallibility and accountability in the peer review process. Advances in health science education, 8: 75-96.
  19. Kitchin R. (2014). The data revolution. Big data, open data, data infrastructures and their consequences. London: Sage.
  20. Laney D. (2001). 3D Data management: controlling data volume, velocity and variety, MetaGroup (https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Mana-gement-Controlling-Data-Volume-Velocity-and-Variety.pdf).
  21. Lazer et al. (2009). Computational Social Science. Science, 323: 721-723.
  22. Lee C. J., Sugimoto C. R., Zhang G. e Cronin B. (2013). Bias in Peer Review. Journal of the American Society for Information Science and Technology, 1: 2-17.
  23. Losito G. (1993). L’analisi del contenuto nella ricerca sociale. Milano: FrancoAngeli.
  24. Mahoney M. J. (1977). Publication prejudices: an experimental study of confirmatory bias in the peer review system. Cognitive therapy and research, 1: 161-175., 10.1007/BF0117363DOI: 10.1007/BF0117363
  25. Marradi A. (1993). Fedeltà di un dato, affidabilità di una definizione operativa. Rassegna Italiana di Sociologia, 1: 55-96.
  26. Marz V., Warren J. (2012). Big Data: principles and best practices of scalable realtime data system. New York: Meap Edition.
  27. Mauceri S. (2003). Per la qualità del dato nella ricerca sociale. Strategie di progettazione e conduzione dell’intervista con questionario. Milano: FrancoAngeli.
  28. Mayer-Schonberger V, Cukier K. (2013). Big Data: a revolution that will change how we live, work and think. London: John Murray.
  29. Wenneras C., Wold A (1997). Nepotism and sexism in peer review. Nature, 387: 341-343.

Lorenzo Barbanera, Federica Floridi, Federica Fusillo, For Big Data in evaluation research: an operational proposal to manage the product-reviewer matching in the VQR in "RIV Rassegna Italiana di Valutazione" 68/2017, pp. 103-119, DOI:10.3280/RIV2017-068007

   

FrancoAngeli is a member of Publishers International Linking Association a not for profit orgasnization wich runs the CrossRef service, enabing links to and from online scholarly content