Proceedings of the 2017 Web Archiving and Digital Libraries Workshop
Notice bibliographique
Résumé
1. HTTPreserve – Web Preservation in Documentary Heritage by Ross Spencer 2. WARC-Portal: A Tool for Exploring the Past by Muhammad Umar Qasim 3. Impact of URI Canonicalization on Memento Count by Mat Kelly, Lulwah M. Alkwai, Sawood Alam, Michael L. Nelson, and Michele C. Weigle and Herbert Van de Sompel 4. Web Archiving Through In-Memory Page Cache by Saket Vishwasrao, Zhiwu Xie, and Edward A. Fox 5. Building a National Web Archiving Collaborative Platform: The Web Archives for Longitudinal Knowledge Project by Ian Milligan, Nick Ruest, and Ryan Deschamps 6. Avoiding Zombies in Archival Replay Using ServiceWorker by Sawood Alam, Mat Kelly, Michele C. Weigle, and Michael L. Nelson 7. Topic Shifts Between Two US Presidential Administrations by Ziquan Wang, Borui Lin, Ian Milligan, Jimmy Lin 8. Web archives: A preliminary exploration of user expectations vs. reality by Brenda Reyes Ayala 9. Challenges for Grassroots Web Archiving of Environmental Data by Emily Maemura, Dawn Walker, Matt Price, and Maya Anjur-Dietrich 10. Legal Deposit, Collection Development, Preservation, and Web Archiving at Library and Archives Canada by Tom Smyth 11. Working Together Toward a Shared Vision: Canadian Government Information Digital Preservation Network (CGI DPN) by Muhammad Umar Qasim and Sam-Chin Li 12. Strategies for Collecting, Processing, and Analyzing Tweets from Large Newsworthy Events by Nick Ruest 13. Classification of Tweets using Augmented Training by Saurabh Chakravarty, Eric Williamson, and Edward Fox
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 | 0,000 | 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 | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».