Big Deal Cancellations and Influences on Librarian Decision-Making
Notice bibliographique
Résumé
Big Deals initially emerged as cost-saving purchasing models through which academic libraries could quickly grow their collections. Over time, the soaring costs of journal bundles have strained library budgets, and librarians have worked to transition away from Big Deals. Cancellation projects are complex processes involving a large amount of time and labour. Past research has examined how librarians use quantitative and/or qualitative data to make decisions around cancellations, but few go inside the process to understand the subjective factors influencing librarians’ choices. This study investigates the decision-making practices and processes of librarians concerned with the cancellation of Big Deals through interviews conducted at four medium-sized Canadian institutions that underwent cancellation projects from 2015 to 2020. The institutions investigated in this study adopted similar practices in deciding what packages to unbundle and selecting their teams. Differences in how qualitative and quantitative data were used in forming analyses, and the communication methods to counteract opposition heavily influenced the relative success of each library. Libraries seemed most successful if they could perform nuanced and complex data analyses, involved their Liaison librarians in faculty consultations, had the strong support of administrators, and wrapped the project together with an integrated communications plan. A model describing the decision-making steps in the process of unbundling journal packages and the influences that impact each step is presented, followed by recommendations for engaging with each influencing factor, based on the findings of this study.
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 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,017 | 0,007 |
| Communication savante | 0,014 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».