Pain Points and Solutions: Bringing Data for Startups to Campus
Notice bibliographique
Résumé
Entrepreneurship is growing as a cross- and inter-disciplinary area of focus for higher education. From patent and tech transfer offices to business, science, and engineering programs, the demand for entrepreneurship resources and support delivered via libraries is booming. Building library collections to help patrons design, launch, and run successful businesses is challenging: Market research and private equity/venture capital resources arrive at premium prices. Increasingly, these resources must interoperate with software used to clean, analyze, and visualize data. This data is often difficult to find and deploy. Restrictive, corporate-style licenses reflect that new vendors are not yet acclimated to the academic market’s access requirements and licensing constraints. This paper will share a framework for how to understand entrepreneurship in higher education and explain the types of information commonly requested by users. Such information often exists in disciplinary silos, emphasizing the importance of collaborative collection development across subject lines. The authors will explore the unique challenges to building collections that serve patrons developing new ventures. This includes collaborating with external stakeholders to fund resources that have not been traditionally purchased by libraries. Strategies for licensing data and other e-resources in this space will be discussed, including the central complications arising from universities as incubators for for-profit startups. The authors will suggest best practices for building relationships with stakeholders, developing relevant collections and services, and marketing these resources to support communities.
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 | 0,018 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,017 | 0,026 |
| Science ouverte | 0,004 | 0,020 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,036 |
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 ».