Notice bibliographique
Résumé
What is "research data" for music researchers and performers? How can music librarians develop their knowledge and skills to better meet the research data needs of their constituents, and contribute to the data-intensive turn in academia? This panel will explore the research data movement in libraries and its relevance to music librarians. Panelists will examine the diversity of music research from a data-oriented perspective, and provide examples of these data as drawn from case studies of various music research projects. We will discuss who creates the data, and how it is used, reused, shared, and discovered, as well as the types of music data appropriate for deposit in an institutional repository. Examples of topics covered will include personal archiving, institutional repository guidelines for data, ethical and intellectual property rights considerations, and the role of research data in music digital humanities projects. Attendees will gain an understanding of how music librarians can participate in research data services at their institutions, as well an understanding of the expertise they can contribute to data-related conversations. Panelists include Amy Jackson, Director of Instruction and Outreach at the University of New Mexico, Sean Luyk, Digital Initiatives Projects Librarian at the University of Alberta, Francesca Giannetti, Digital Humanities Librarian at Rutgers University–New Brunswick, Anna E. Kijas, Senior Digital Scholarship Librarian at Boston College, and Jonathan Manton, Music Librarian for Access Services at Yale University. Slides available at http://dx.doi.org/10.17613/q6q4-r940.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,033 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».