Extreme Makeover: How We Decreased Our Collection by 40% and Simultaneously Increased It by 50% in 10 Months
Notice bibliographique
Résumé
The Brennan Library at Lasell College had not conducted a systematic weeding in over 20 years. With space in demand and an increase in online courses, desperate times called for drastic measures. Over a 10-month period, the library withdrew 40% of its tangible collections. Simultaneously, the staff’s focus shifted to promoting e-resources and adopting the EBSCO EDS discovery layer. Using a weighted collection development allocation formula, the librarians overhauled the materials budget and designed a departmental liaison program. After calculating the holdings of new e-book and streaming video packages, the library’s collection increased by 50% despite the massive deaccessioning. This paper describes how a small academic library with limited funds and staffing made major changes leading to positive perceptions and avoiding imposing threats. The Brennan Library added seating, zoned areas, and in-demand e-resources for a growing distance-learner population. By changing the collection development emphasis from just-in-case to just-in-time, the library now provides access to more items than ever before. The Brennan Library’s example illustrates that an access over ownership model of acquisitions can give similar libraries improved return on investment and positive improvements for stakeholders, provided that significant changes are communicated in a strategic manner emphasizing benefits for the user community.
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 | 0,009 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,008 |
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 ».