Using UX Testing to Optimize Discoverability of Non-traditional Resources
Notice bibliographique
Résumé
Objective – The accessibility of non-traditional resources presents ongoing challenges for users and librarians. This study investigates methods for optimizing metadata and the placement of search results to enhance the discoverability of these resources within library systems. Researchers conducted A/B testing to compare two features of Ex Libris Primo: the Resource Recommender and Discovery Import Profiles. The objective was to enhance user access to a broader range of informational assets beyond conventional collections. This study posed the research question: Is inclusion in the results list (Discovery Import Profiles) or are visually appealing advertisement-style cards above results (Resource Recommender) a more effective method for discovery of non-traditional library resources? Methods – Researchers identified four key resource types for testing: librarians, frequently asked questions (FAQs), databases, and research guides. An A/B test was conducted with each resource presented in the Discovery Import Profiles and Resource Recommender formats. Following the A/B test, a combined C test was conducted to validate findings. Results – The ad-style cards achieved higher engagement rates, particularly for databases and FAQs, while research guides performed better when embedded directly in search results. This study highlights the strengths and limitations of each method. Databases and FAQs benefited from the visual prominence of the ad-style cards, while research guides were more discoverable within search results. However, minimal engagement with librarians as a resource type across both methods suggests the need for improved tagging and metadata strategies. Conclusion – Findings underscore the importance of institution-specific research and localized assessments to ensure effective implementation of discovery strategies. This study provides a useful method for libraries aiming to enhance the discoverability of their non-traditional resources, ultimately improving user access and satisfaction.
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 | 0,060 | 0,248 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».