Approvals, Slips, and DDA! Oh My! The Yellow Brick Road to Collaborative Approval and DDA Profiling
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
In the last several years, approval profiling has changed significantly and grown increasingly complex, particularly due to the prevalent shift toward collecting in electronic formats. While approval profiles have been predominantly e-preferred for some time, the growth of demand-driven acquisition (DDA) has led to new license models, modes of acquisition, and tighter integration of DDA with approvals. With the advent of the DDA-preferred approval plan came options for the inclusion of multiple e-book platforms as well as complexities involving publisher embargoes. Additionally, the numerous approval and DDA profile parameters, workflow options, and administrator settings vary widely, resulting in a seemingly endless array of possibilities that can affect how titles are ultimately profiled. The task of creating a new profile or preparing profile reviews can be overwhelming, especially for those new to profiling or trying a new vendor. However, it can and should be a collaborative experience with vendors that leads to more than just great profiles. While library staff should strive to learn how to make the most of what a vendor offers, vendors should inquire about the library’s collection development strategies, issues, and needs. Vendors can also share current trends and offer advice modeled on how other libraries handle similar issues, as well as gather feedback for potential development. This paper supplies tips that will help library staff who are preparing to create or review approval or DDA profiles or to profile with new vendors, to be better prepared in order to maximize their time profiling with vendors.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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