Cataloguing Remains an Important Skill at Public Libraries in the Modern Metadata Landscape of Norway
Notice bibliographique
Résumé
A Review of: Preminger, M., Rype, I., Ådland, M.K., Massey, D., & Tallerås, K. (2020). The public library metadata landscape, the case of Norway 2017–2018. Cataloging & Classification Quarterly, 58(2), 127–148. https://doi.org/10.1080/01639374.2020.1711836 Abstract Objective – To understand cataloguing practices in Norwegian public libraries through the analysis of a set of MARC records. Design – Quantitative content analysis. Setting – 2 central cataloguing agencies and 49 public libraries in Norway. Subjects – 21,275 cataloguing agency records and 116,029 public library catalogue records. Methods – The researchers derived a sample set of MARC records from the central cataloguing agencies and public libraries. Matching records from each agency (i.e., records for the same manifestation catalogued separately at each agency) were compared. Then, MARC records exported from public libraries were compared to matching records from the central agencies. Main Results – The two central agencies differed in some cataloguing practices while still adhering to the accepted standards. Public libraries made few changes to records imported from central libraries, and among public libraries, larger libraries were more likely to alter agency-derived MARC records. Conclusion – Current practices indicate that despite the prevalence and efficiency of centralized cataloguing, training in cataloguing remains important in public libraries, particularly in larger libraries.
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 | 0,013 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,018 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».