Staffing of Library Publishing Programs in the United States and Canada: A Data-Driven Analysis
Notice bibliographique
Résumé
Introduction: Using the Library Publishing Coalition’s (LPC) Research Dataset, this paper focuses on the staffing of library publishing programs at colleges, universities, and consortia in the United States and Canada from 2014 to 2022. Methods: In order to transform the data into a consistent format and write it into a single table as a commaseparated values (CSV) file, we created a program written in C# and executed on Windows 10. We narrowed the data set to focus on just library publishing programs from the United States and Canada, as well as to those that responded to the survey in early and later years. We also analyzed the data by enrollment and compared the staffing of library publishing programs to the staffing of academic libraries in general using the annual Association of College and Research Libraries (ACRL) Library Trends and Statistics Annual Survey data. Results: The average library publishing program relies largely on professional staff, has shown the most growth in paraprofessional staff, and has lost staff overall since 2019 while still showing growth overall since data collection began. Discussion: Compared with staffing of ACRL libraries in general, library publishing programs lost staff members at about a four-times higher rate from 2014 to 2021. Conclusion: From 2014 to 2022, the number of library publishing staff did not grow at the same rate as the number of staff in libraries did as a whole. Also, although there are certainly general conclusions or trends, there are also opportunities for additional quantitative and qualitative research to be done in this area. Link to code: https://github.com/jmeetz/LPCSurveyDataLoader Link to data: https://kb.osu.edu/handle/1811/104685
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,006 | 0,018 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».