Measuring and Comparing Aggregation Inconsistency for Chinese Titles in Two Library Catalogues
Notice bibliographique
Résumé
When recording titles in vernacular Chinese characters or in their Romanized form, either a monosyllabic pattern or a polysyllabic pattern can be followed. Previous research has shown that polysyllabic transcription helps reduce ambiguity and tends to increase precision in retrieval. As there are no clear cut rules as to how syllables should be aggregated into lexical units, polysyllabic entries are a potential source of inconsistency in a bibliographic database. The aim of this study is to investigate the inconsistencies in the aggregation of Chinese characters (i.e., syllables) into lexical words in the bibliographic records of two library catalogues. Over 5,000 records from the East Asian Library at Université de Montréal (CETASE) and 5,000 records from the Library of Congress (LC) were analysed and tested for aggregation consistency. Detailed analysis reveals fairly high consistency levels in both sets.Lors de l’enregistrement des titres en caractères chinois vernaculaires ou sous leur forme romanisée, un modèle monosyllabique ou polysyllabique peut être utilisé. Des recherches antérieures ont démontré que la transcription en polysyllabes atténue les ambiguïtés et tend à améliorer la précision lors du repérage. Puisqu’il n’existe aucune règle fermement établie sur la manière avec laquelle les syllabes doivent être agrégées en unités lexicales, la transcription polysyllabique est une source potentielle d’inconsistance dans les bases de données bibliographiques. Le but de cette étude est d’examiner l’inconsistance dans l’agrégation des caractères chinois (c’est-à-dire des syllabes) des mots lexicaux contenus dans les notices bibliographiques de deux catalogues de bibliothèques. Plus de 5 000 notices du Centre d’études de l’Asie de l’Est de l’Université de Montréal (CETASE) et 5 000 notices de la Library of Congress (LC) ont été analysées et la consistance de l’agrégation a été vérifiée. Une analyse détaillée révèle des niveaux de consistance élevés pour les deux ensembles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,020 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».