Notice bibliographique
Résumé
For decades academic libraries have been buying databases to support classroom instruction and faculty research.The library market for these resources is well established, with specialized salespeople who know what libraries want and understand how to deliver the information.Data resources are made widely available for use, usually to the whole campus.Librarians customarily purchase database subscriptions with the intention of renewing them annually for perpetuity.Examples of web-based business databases in the academic market include Mergent Online and Capital IQ.Some, such as CRSP or TAQ, use platforms like WRDS to make their products available to libraries.The largest information producers use a mixed approach.For example, Thomson Reuters and Standard & Poor's both sell an array of information products across platforms.Academic decision-makers have commonly considered the library's information purchases to be community resources.Librarians purchased data that were widely in demand and readily available to a wide cross-section of users and declined to purchase resources that were available to only a small group or an individual.Even when influential faculty researchers requested specific databases, in most cases librarians made purchase decisions based on overall demand for the resource.Assistance with using specialized data was limited.But now user needs for data are changing, and use of libraries' web-based and WRDS-accessible databases is declining.With increasing frequency, faculty members are requesting a different kind of resource-stand-alone data sets that are not widely available to the library market and not available through WRDS.The seller often withholds university-wide use, and in many cases is not set up to offer it.Librarians who recognize the change in faculty data needs and want to stay relevant in the university research ecosystem are now purchasing and licensing these unique data sets to make them available to individual researchers or small groups of faculty.These stand-alone data sets are usually custom extracts, often one-time purchases of specific data that an individual or small group of faculty members needs for their research.These data sets involve a number of licensing, hosting, curating, and funding issues that librarians must resolve if they want to serve their institutional research agenda.
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 | 0,025 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,034 | 0,024 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,012 |
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 ».