The GIST Gift & Deselction Manager: Redesigning Gift and Weeding Workflow in the Library
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
Gifts and weeding are two of the hardest jobs librarians face in an academic library. Trying to decide what is worth keeping versus what should be weeded is made especially difficult when you face major constraints: space, time, labor, and costs. Current workflows may or may not work and are dependent on your staffing, library priorities and the goals of your collection development policy. SUNY Geneseo's Milne Library created a free open-source and innovative tool called the GIST Gift & Deselection Manager, designed to manage a new workflow for the time-consuming gifts and weeding process. For gift workflows, the GDM uses several APIs (Application Programming Interface) to return a list of local and consortia holdings; creates automated "Keep" or "Do not keep" recommendations based on a customizable subject conspectus; imports library-enriched data such as award-winners or core title lists for effective decision-making; allows staff to route gift items to reviewers for analysis; provides a customizable donor acknowledgment letter and even more. For weeding & deselection workflows, the GDM uses the same APIs to return a list of consortia holdings and full-text availability from HathiTrust and Google Books; makes "Keep" or "Do not keep" recommendations based on holdings and full-text availability, conspectus data and weight of item; and allows for major weeding projects using a batch import process with OCLC or ISBN numbers.
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 | 0,000 | 0,000 |
| 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 | 0,004 |
| Science ouverte | 0,001 | 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