Notice bibliographique
Résumé
Objective – To describe the rationale for and development of MetriDoc, an information technology infrastructure that facilitates the collection, transport, and use of library activity data. Methods – With the help of the Institute for Museum and Library Services, the University of Pennsylvania Libraries have been working on creating a decision support system for library activity data. MetriDoc is a means of “lighting up” an array of data sources to build a comprehensive repository of quantitative information about services and user behavior. A data source can be a database, text file, Extensible Markup Language (XML), or any binary object that contains data and has business value. MetriDoc provides simple tools to extract useful information from various data sources; transform, resolve, and consolidate that data; and finally store them in a repository. Results – The Penn Libraries completed five reference projects to prove basic concepts of the MetriDoc framework and make available a set of applications that other institutions could test in a deployment of the MetriDoc core. These reference projects are written as configurable plugins to the core framework and can be used to parse and store EZ-Proxy log data, COUNTER data, interlibrary loan transactional data from ILLIAD, fund expenditure data from the Voyager integrated library system, and transactional data from the Relais platform, which supports the BorrowDirect and EZBorrow resource sharing consortiums. The MetriDoc framework is currently undergoing test implementations at the University of Chicago and North Carolina State University, and the Kuali-OLE project is actively considering it as the basis of an analytics module. Conclusion – If libraries decide that a business intelligence infrastructure is strategically important, deep collaboration will be essential to progress, given the costs and complexity of the challenge.
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 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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,596 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».