Deep Learning Algorithms for Personalized Services and Enhanced User Experience in Libraries
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
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 découle