Training a New Librarian in the What, How, Where, and Why of Health Sciences Collection Management
Notice bibliographique
Résumé
Collection management for the health sciences, particularly clinical medicine, is an increasingly complex job which, anecdotally, is usually given to experienced librarians.Health sciences libraries tend to delegate collections responsibilities to one librarian who holds all of the institutional collections knowledge.Replacing these people as they retire or move on can be difficult unless new librarians become trained in collections work.At the Michigan State University Libraries, recent search committee experience revealed that an entrylevel health sciences collections position attracted fewer applicants than entry-level health sciences positions for instruction, liaison, or educational technology.This may reflect the focus of library school curricula as even applicants for the collections position generally had very little relevant exposure to the subject in library school or internships.Health sciences librarianship in general can involve a lot of on-the-job training, but supervisors hiring new librarians for collections may find themselves starting from scratch.This poster will demonstrate a detailed training program developed to teach a newly graduated librarian how to develop and manage an extensive clinical medicine collection at a large university library serving medical schools.The step-wise approach focuses on learning by doing, moving from the specific to general principles rather than the other way around.Decision making for selection of materials is approached from multiple angles: institutional analysis, subject analysis, and publisher and vendor knowledge.The new librarian will provide insight into which parts of the training were most helpful.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».