Data in the Time of COVID-19: How Data Library Professionals Helped Combat the Pandemic
Notice bibliographique
Résumé
As the world struggled to respond to the COVID-19 pandemic, researchers worked around the clock to understand what was going on, medically, socially, and economically. At the same time, usual research processes were disrupted: campuses were closed and normal government data collection and dissemination went haywire. Data professionals in academic libraries sprang into action to help. They shared resources, developed workshops, helped find alternative methods of carrying out research, and found ways of coping with the influx of COVID-related data. Social crises are fought on the front lines by medical professionals and service providers, but they are also fought with research, with information, with data. Libraries are at the nexus of information and communication and library professionals were able to play an important supporting role in helping researchers combat the effects of the pandemic.
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 | 0,087 | 0,165 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,043 | 0,025 |
| Communication savante | 0,049 | 0,056 |
| Science ouverte | 0,005 | 0,036 |
| Intégrité de la recherche | 0,012 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,007 |
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 ».