MétaCan
Menu
Retour à la cohorte
Enregistrement W3204640530 · doi:10.14351/0831-4985-34.1.101

Labels for Eternity: Testing Printed Labels for use in Wet Collections

2020· article· en· W3204640530 sur OpenAlexvenueno aff
Gail Gali Beiner

Notice bibliographique

RevueCollection Forum · 2020
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueConservation Techniques and Studies
Établissements canadiensnon disponible
Organismes subventionnairesHebrew University of Jerusalem
Mots-clés3d printedComputer scienceAbrasion (mechanical)InkwellMaterials scienceNanotechnologyPolymer scienceComposite materialEngineeringBiomedical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Will printed labels survive prolonged immersion in collection fluids, and, if so, which printing system is preferable: inkjet, laser, or thermal transfer printing? In a world with a wide variety of printers, printing substrates, and printer technologies, the interactions between them very likely affect long-term label preservation in the chemical environment of the preservation fluid. In fluid-preserved collections, the main issues frequently encountered with labels include delamination, abrasion, fading, and disintegration during immersion in solutions such as ethanol and formaldehyde aqueous solution (widely known under the commercial name formalin). Very few publications have presented testing procedures assessing the behavior and stability of printed matter immersed in the types of solvents used in fluid-based collections. This article presents a series of experiments set up at the National Natural History Collections at the Hebrew University of Jerusalem to test a variety of museum labels. The tests compared labels actually used in different natural history collections and included labels from both thermal transfer and inkjet printers. All were subjected to accelerated aging and mechanical abrasion. In our series of tests, inkjet labels gave the best performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,193
Tête enseignante GPT0,284
Écart entre enseignants0,092 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCollection ForumMême sujetConservation Techniques and StudiesTravaux en français237 207