Research Productivity and Its Relationship to Library Collections
Notice bibliographique
Résumé
Objective – The purpose of this study was to explore in the current academic library environment, the relationship between library collections data (collections’ size, expenditures, and usage) and faculty productivity (scholarly output). The researchers also examined the degree to which new and existing library metrics predict faculty productivity. Methods – Demographic data (e.g., faculty size, student size, research and development expenditures), library budget data (e.g., collection expenditures), collection use data (e.g., full-text article requests and database searches), and publication output for 81 doctoral granting universities in the United States were collected to explore potential relationships between research productivity, collection use, library budgets, collection size, and research expenditures using partial correlations. A hierarchical multiple regression was also used to ascertain the significance of certain predictors of research productivity (publications). Results – A correlation existed between the number of publications (research productivity) and library expenditures (total library expenditures, total library material expenditures, and ongoing library resource expenditures), collection size (volumes, titles, and ebooks), use of collection (full-text article requests and total number of references in the articles), and research and development expenditures. Another key finding from the hierarchical multiple regression analysis showed that full-text article requests were the best predictor of research productivity, which uniquely explained 10.2% of the variation in publication. Conclusion – The primary findings were that full-text article requests, followed by library material expenditures and research expenditures, were found to be the best predictor of research productivity as measured by articles published.
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 | 0,012 | 0,251 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,017 | 0,148 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,009 | 0,310 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».