Development of Deal- and Journal-level Metrics and Methods Assists Librarians to Evaluate Big Deals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A Review of:
 Blecic, D.D., Wiberley, Jr., S.E., Fiscella, J.B., Bahnmaier-Blaszczak, S., & Lowery, R. (2013). Deal or no deal?: Evaluating Big Deals and their journals. College & Research Libraries, 74(2), 178-193. 
 
 Objective – To assess the value of aggregated journal packages (Big Deals) and to select individual journal titles for continued subscription should a deal be cancelled.
 
 Design – Case study.
 
 Setting – Doctoral research university library in the United States of America.
 
 Subjects – Three anonymous Big Deals.
 
 Methods – The authors define metrics at two levels (deal and journal) to evaluate Big Deal packages. The metrics rely heavily on the COUNTER JR1 metric Successful Full-Text Article Request (SFTAR).
 
 Main Results – The authors found that while 30% of journals provide 80% of SFTARs, the cost of subscribing to these journals individually would not save significant sums of money. Additionally, they speculate that library users would increase the number of interlibrary loan requests to access the 20% of SFTARs that would be inaccessible if a Big Deal was cut, amounting to increased costs. 
 
 Conclusion – With no sign of publishers moving to change the price and conditions of Big Deals, these arrangements are becoming unsustainable for libraries. As this occurs, librarians require methods of assessing which deals to keep and which to cut, as well as evidence of to which individual journals they should subscribe. The authors of this paper set out one method of conducting these assessments that they have found to be useful at an academic library. They conclude by stating that even with SFTAR data, individuals must keep in mind the necessity of providing equitable access to all of a university community’s user groups.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,336 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle