MétaCan
Menu
Retour à la cohorte
Enregistrement W3117624664 · doi:10.5703/1288284317177

Change: Watch For The Right Time

2020· article· en· W3117624664 sur OpenAlexaff
Caryl Ward, Jill E. Dixon

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueLibrary Collection Development and Digital Resources
Établissements canadiensPurdue Pharma (Canada)
Organismes subventionnairesnon disponible
Mots-clésWorkloadWorkflowComputer scienceProcess (computing)DemolitionPoliticsCollection developmentOperations researchWorld Wide WebPolitical scienceEngineeringDatabaseOperating system

Résumé

récupéré en direct d'OpenAlex

Collection budgets are an essential tool for building collections yet the amounts of allocations can ebb and flow over the years. Modifying the budget structure is an intimidating, exhausting exercise with administrative and political ramifications that affect the workload of collections librarians as well as the workflows in acquisitions departments. External and internal forces such as impending budget cuts and serials reviews, a new library system, new department heads, newly minted librarians’ learning curves, and the creation or demolition of big deals seem like roadblocks to a budget revision process. They can also be seized as opportunities to look at new models. Libraries get by with the allocations provided in any given year, but would it be better for the collections if the approach to allocations was more flexible from the beginning, more of a proactive allocation instead of reactive? At Binghamton University Libraries, the hiring of a new Head of Collection Development and migrating to a new library system necessitated collaborative conversations concerning structures and roles for the two departments. This paper presents scenarios and recommendations for determining when and how to collaboratively evaluate a legacy budget structure, redefine allocations, and review staff roles.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,199

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,059
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0100,005
Communication savante0,0170,022
Science ouverte0,0030,008
Intégrité de la recherche0,0120,017
Charge utile insuffisante (le modèle a refusé de juger)0,0590,025

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,215
Écart entre enseignants0,177 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLibrary Collection Development and Digital ResourcesTravaux en français237 207