How much of library digital content is checked out but never used?
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
Purpose This paper aims to identify patterns, trends and potential implications related to post-checkout non-usage (material that is checked out by a user, but subsequently never opened and/or downloaded) of library digital content. Design/methodology/approach A large urban Canadian public library’s data (2013-2017) from Rakuten OverDrive was analyzed. Pending items (items that are checked out, but neither opened nor downloaded) were compared with total checkouts to determine post-checkout non-usage rates. Findings Checkouts and overall rates of post-checkout non-usage of e-books and e-audiobooks have risen significantly and consistently. Juvenile and non-fiction e-books demonstrate higher post-checkout non-usage rates than adult and fiction e-books, respectively. The library spends up to US$10,700 per year on metered access e-books that are never opened by users. This number has grown significantly over the years. Originality/value E-materials in libraries have been growing rapidly, but their current lending models are still largely a direct application of concepts in traditional library services that have developed based on physical materials, such as checkouts, due dates, renewals, holds and wait times. However, e-materials do not have the limitation of physical materials that prevents other users from accessing a checked-out item, which makes many of the traditional concepts no longer applicable. New concepts and lending models should be developed that allow users to access any library e-materials at any time, and are financially functional and sustainable for both libraries and e-content providers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,020 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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