Notice bibliographique
Résumé
This proposal has twofold foci: a survey of current media discovery websites (MDWs) and a literature review of cross-media appeals. The MDW survey analyzes the appeals and frameworks of 118 MDWs catered to multiple media types (books, movies, music, and video games) while the cross-media appeals were researched through contemporary academic literature (such as Lee et al. 2017, Williamson 2011, and Wyatt 2020). By identifying frameworks of appeal that both exist across media types and are uniquely significant to specific forms of media, (e.g., the appeal of interactivity for video games or danceability for music), connections are created across different media that could not only aid in introducing reluctant readers to books based on what they enjoy in other media but broaden the horizons of all media users. This research lays the groundwork for future discussion for a cross-media advisory tool (CMAT), which would work to aid in full library media advisory and create an accessible tool for laypersons, better enabling them to grow their media literacy skills. Further discussion could include exploring each media type discussed further, proposing future inclusion of other media types (e.g., poetry, audiobooks, graphic novels), and diving deeper into elements that make up individual appeals. For example, when discussing the element of style across media types, how do we consider the differences in language, audio, and visual style, and how do we build connections across them? Future discussions could consider what elements of website design and healthy community building should be included when creating an online media advisory tool.
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 | 0,027 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,025 | 0,034 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,009 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,166 | 0,073 |
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 ».