Three Evidence Based Methods to Compensate for a Lack of Subject Background when Ordering Chemistry Monographs
Notice bibliographique
Résumé
Objective – The aim of this article is to present evidence based methods for the selection of chemistry monographs, particularly for librarians lacking a background in chemistry. These methods will be described in detail, their practical application illustrated, and their efficacy tested by analyzing circulation data. Methods – Two hundred and ninety-five chemistry monographs were selected between 2005 and 2007 using rigorously-applied evidence based methods involving the Library's integrated library system (ILS), Google, and SciFinder Scholar. The average circulation rate of this group of monographs was compared to the average circulation rate of 254 chemistry monographs selected between 2002 and 2004 when the methods were not used or were in an incomplete state of development. Results – Circulations/month were on average 9% greater in the cohort of monographs selected with the rigorously-applied evidence based methods. Further statistical analysis, however, finds that this result can not be attributed to the different application of these methods. Conclusion – The methods discussed in this article appear to provide an evidence base for the selection of chemistry monographs, but their application does not change circulation rates in a statistically significant way. Further research is needed to determine if this lack of statistical significance is real or a product of the organic development and application of these methods over time, making definitive comparisons difficult.
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 | 0,165 | 0,453 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,039 | 0,023 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».