Notice bibliographique
Résumé
An evidence based approach to library practice involves the ability to identify problem areas in the library, review and evaluate relevant evidence, design and implement rigorous research approaches, and apply strategies for improvement.Increasingly, AI is being incorporated into various facets of library and information work, including search tools and discovery layers, reference assistance, metadata generation, digital preservation, predictive analytics in collection development, information literacy instruction, accessibility services, and image recognition.In order to competently implement evidence based practice (EBP) in libraries, it is becoming imperative for library professionals to have some understanding of AI technologies and their impact on society.Evidence based practice is a way of making decisions based on the integration of research evidence, professional expertise, and user values and experiences (Sackett et al., 1996).In the field of library and information science, this means that practitioners seek out the best available evidence to answer their questions, whether that evidence comes from prior literature, original research studies, or local evidence sources such as statistics, assessments, and observations (Koufogiannakis & Brettle, 2016).To adopt an evidence based approach to practice, library professionals have to be well versed in the process and skilled in a number of different areas, such as analyzing problems, synthesizing literature, designing program evaluations and research studies, collecting and analyzing data, critically appraising research, generating solutions, and making decisions (Koufogiannakis & Brettle, 2016).
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 | 0,123 | 0,190 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,016 | 0,011 |
| Études des sciences et des technologies | 0,009 | 0,079 |
| Communication savante | 0,042 | 0,025 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,019 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».