Making Collection Management Manageable: A Three-Phase Approach to an Annual Subscription Review
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
Annual subscription reviews are a normal part of many libraries’ operations, but this process is time consuming and can be particularly challenging for institutions with small e-resources staffs. The approach pursued by the Michael Schwartz Library at Cleveland State University includes strategies other libraries may find helpful in moving beyond cost per use in their reviews. In early fiscal year 2019, the Michael Schwartz Library identified a need to systematically review all subscriptions annually. The library operates with a flat budget and cancellations are often required to manage inflation. Previously, subscription reviews were in response to immediate needs (e.g. budget cuts, changes in consortium offerings, etc.). Largely due to staffing and time constraints, examining the entire corpus of subscriptions was outside of the scope of past reviews. A new subscription review process was developed to prepare the library to make data-driven decisions regarding cancellations for the next fiscal year. The methodology developed for the new subscription review consisted of three phases with each phase narrowing the number of resources considered for cancellation. The first phase was an evaluation of resource performance from an acquisitions perspective and incorporated cost per use and annual price increases. In the next phase, subject librarians evaluated resources in their respective disciplines based on several criteria and were required to rank resources in order of retention priority. In the final phase, faculty were surveyed on content quality, frequency of use in instruction, and other criteria for those resources deemed “cancellation eligible.”
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 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle