Notice bibliographique
Résumé
Academic libraries received numerous free offers during the COVID-19 pandemic. Existing business literature suggests that there are benefits and costs associated with free offers for both the businesses that provide them and their customers. This study analyzes the free offers received during a three-month period at the beginning of the pandemic in 2020. The author monitored direct offers from vendors, LIBLICENSE-L@LISTSERV.CRL.EDU, information obtained from peers, and publicly available data from the International Coalition of Library Consortia (ICOLC). The offers that would normally require paid institutional subscriptions were included in the study. Databases were the largest offer category (41%), followed-by e-books (20%). Most (76%) required registration by library representatives, allowing vendors to track usage data. Only a small portion (8%) of these free offers was already held at the study site, Penn State University Libraries (PSUL). The implication might be that most of the offers were either new, not high-priority or not affordable for PSUL. The findings of this study suggest free offers provide intangible value for both libraries and vendors that cannot be measured through cost-per-use data analysis. For example, libraries gained opportunities to trial new products without any risk, temporarily expand their collections, and help users during the crisis when access to the library buildings was disrupted. Vendors increased product visibility, gained customer information and usage data, identified potential customers, and created goodwill with the library community. This study is relevant to business librarianship not only because these free offers included business and related disciplines but also because some business librarians engage with vendor relations and need to understand different business models including free offers.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».