Amplify Your Impact: An Interview with Mark Aaron Polger, Editor of <em>Marketing Libraries Journal</em>
Notice bibliographique
Résumé
Mark Aaron Polger is the First Year Outreach Librarian at the College of Staten Island, City University of New York (CUNY), where his responsibilities include promoting library services and resources as well as providing instruction to first year students. Polger is also an Information Literacy Instructor at ASA College. His research interests include library marketing, outreach, and user experience design. He is active in LLAMA as the chair of the PR XChange Committee as well as the co-chair of the Annual PR XChange Awards Competition. Regionally, he is an active executive board member of ACRL/NY (Association of College and Research Libraries, Greater Metropolitan New York Area), where he serves on the planning committee of the annual symposium and co-chairs the User Experience Discussion Group. Locally, he co-chairs meetings in New York City for ACRL National’s Library Marketing and Outreach Interest Group. He is also a member of the planning committee of the annual Library Marketing and Communications Conference (LMCC). He is co-chair of the LACUNY (Library Association of the CUNY) Library Marketing and Outreach Roundtable Discussion Group.Currently, Polger is the founder and editor-in-chief of the new open-access, peer-reviewed Marketing Libraries Journal, which was launched in fall 2017.Originally from Montreal, Canada, Polger holds a BA in Sociology from Concordia University (1999), an MLIS from the University of Western Ontario (2000), an MA in Sociology from University of Waterloo (2004), and a BEd in Adult Education from Brock University (2009). He is currently a third-year PhD student in the Curriculum, Instruction, and the Science of Learning Program at SUNY University at Buffalo. He moved to New York City in 2008.The first issue of Marketing Libraries Journal was published in fall 2017. We wanted to ask Mark about his inspiration to create this new publication.—Editors
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 | 0,020 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,016 | 0,010 |
| Communication savante | 0,019 | 0,016 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,013 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».