Measuring Cost per Use of Library-Funded Open Access Article Processing Charges: Examination and Implications of One Method
Notice bibliographique
Résumé
INTRODUCTION Libraries frequently support their open access (OA) fund using money from their collections budget. Interest in assessment of OA funds is arising. Cost per use is a common method to assess library collections expenditures. OA article processing charges (APCs) are a one-time cost for global, perpetual use. Article level metrics provide data on global, cumulative article level usage. This article examines a method and discusses the limitations and implications of using article level metrics to calculate cost per use for OA APCs. METHODS Using different APC models from two publishers, PLOS and BioMed Central, this article presents a cost per use formula for each model. RESULTS The formula for each model is demonstrated with available data. The examples suggest a very low cost per use for OA APCs after only three years. DISCUSSION Several limitations exist to obtaining article level data currently, including the nature of open access and accessibility of the data. OA articles’ usage levels are high and include use from altruistic access. Cost per use comparison with traditional publishing models is possible; however, comparison between different OA expenditures with very low costs per use may not be helpful. CONCLUSION Article level metrics can provide a means to measure cost per use of OA APCs. Libraries need increased access to article level usage data. They will also need to develop new benchmarks and expectations to evaluate APC payments, given higher usage levels for OA articles and considering altruistic access.
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 | 0,018 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,036 | 0,066 |
| Science ouverte | 0,006 | 0,003 |
| 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 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 ».