Book Review: Using Digital Analytics for Smart Assessment.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
using-digitalanalytics-smart-assessment When library users interact with digital interfaces for services and resources, they generate a lot of data.How to access and assess this data is the focus of Using Digital Analytics for Smart Assessment by Tabatha Farney.This book aims to provide an introduction to the topic of digital analytics, an outline of the tools available, and a discussion of the challenges and successes in applying analytical assessment to library services.Farney is the Director of Web Services and Emerging Technologies for the Kraemer Family Library at the University of Colorado, Colorado Springs, and she is the co-author of Web Analytics Strategies for Information Professionals: A LITA Guide, published in 2013.In Using Digital Analytics for Smart Assessment, Farney defines digital analytics as "the digital data describing the use and users of online content.For libraries, digital data includes, but is not limited to, use from various library websites, electronic resources, online collections, and even social media" (pg.ix).The book is broken down into two sections: the first, authored by Farney, provides an understanding of the various digital analytics available and how to implement and use them.In the second section, contributed chapters provide an overview by multiple librarians on the various projects they have initiated using digital analytics.These topics include library websites, collections, and social media; which all together provide a wide range of practical ways to implement the use of analytics in library services.Farney states that "regardless of your job title, accessing and analyzing digital data is essential for assessing library services in the online and offline world.This book is written for anyone interested in analytics" (pg.x).
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.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle