Deep Learning Algorithms for Personalized Services and Enhanced User Experience in Libraries
Notice bibliographique
Résumé
The integration of deep learning (DL) algorithms in library settings engenders a multitude of challenges and complexities, encompassing unintended ramifications, ethical quandaries, a dearth of specialized literature elucidating DL in library contexts, the intricacies of dataset selection and human intervention, and the inherent limitations when juxtaposed with the remarkable cognitive capabilities of the human brain. To surmount these hurdles and attain a profound comprehension of DL in library settings, a rigorous and comprehensive systematic literature review (SLR) becomes imperative. This study investigates the application of DL algorithms in examining user-seeking behaviour to provide personalized services and enhance user experience in libraries. Through a comprehensive literature review, the study aims to uncover the benefits, challenges, and implications of integrating DL algorithms for user behaviour analysis and personalized services in library environments. The investigation encompasses a systematic literature review, employing a meticulous search and screening process utilizing the Scopus database. DL algorithms enable tailored recommendations, resource suggestions, and personalized search outcomes, improving information retrieval and user-centric services. Ethical considerations and ongoing research are emphasized to address challenges and maximize the potential of DL algorithms in libraries. The integration of DL algorithms in libraries yields substantial benefits, including improved information retrieval capabilities, augmented resource recommendation systems, and the delivery of user-centric services. The paper offers valuable insights to researchers, practitioners, and stakeholders operating within this field.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».