Identifying and Navigating the Current Trends in Business Librarianship and Data Librarianship
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,040 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle