Identifying and Navigating the Current Trends in Business Librarianship and Data Librarianship
Notice bibliographique
Résumé
These trends in business librarianship and data librarianship matter for the management of today’s academic libraries and this topic is important to discuss because librarians must respond to the developments in data science and big data. Industry leaders such as Yuanqing Yango, CEO of Lenovo refer to “new IT” and the coming revolution stemming from the usage of smart devices, edge and cloud computing, 5G networks, and (AI) Artificial Intelligence (Lenovo, 2022). Lenovo (2022) researchers undertook a study of 500 Chief Technology Officers (CTOs)from diverse industries to ascertain their perceptions about the future of technology. Both scholars and industry leaders alike agree that the technologies that will dominate will be forged so that humanity can meet the challenges of the future and the control of information will be at the forefront of these changes. Information professionals must learn about and master the technologies that industry leaders are reimagining as innovations that will try to improve our lives because librarianship is becoming increasingly data-driven. Faculty, staff, and students rely on information professionals to help them to understand the role of “new IT” and the opportunities that it creates. We also need more informed professionals because research is data-driven. More decision makers are using big data to make effective organizational decisions. Librarians must be cognizant of the trends that are governing innovations in technology to effectively provide information services to key stakeholders.
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 | 0,025 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,017 | 0,037 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,029 | 0,049 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».