Charting a Course to Collaboration: The LIbrary Data Services (LIDS) Dataset
Notice bibliographique
Résumé
Research data services (RDS) are expanding across college and university libraries. To better understand the current state of RDS in R1 and R2 university research libraries in the United States, how they have evolved since the onset of the COVID-19 pandemic, and who is providing these services, this research project built an interoperable dataset, LIbrary Data Services (LIDS) dataset, to inform RDS development and assessment. The dataset records data service area(s) (e.g., Research Data Management), fifteen data service types (e.g., data management/data curation), and personnel and unit information gathered through website content analyses, alongside Carnegie Classification data. How can the data services community build on LIDS? While the focus for this research project is R1 and R2 university research libraries in the United States, similar studies have examined data services in libraries at other levels of American higher education (Radecki & Springer, 2019; Murray, et al., 2019; Yoon & Schultz, 2017), and academic and research libraries across Canada and the United States (Kouper, et al, 2017; Tenopir, et al., 2019), Europe (Tenopir, et al., 2017; Yu, 2017), Spain (Martin-Melon, et al., 2023), the United Kingdom (Cox & Pinfield, 2014), southern Africa (Chiware, 2020; Chiware & Becker, 2018), and globally (Cox, et al., 2019; Liu, et al., 2020; Reilly, 2012; Si, et al., 2019). How can we work together to change LIDS to I-LIDS, the International LIbrary Data Services dataset? Can we better reflect the post-COVID data services environment in higher education globally? This presentation will share the LIDS dataset with the international community to inform data services collaboration, service development, and assessment, and consider how they might want to expand the dataset to cover their region of the world.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,011 | 0,058 |
| Science ouverte | 0,009 | 0,016 |
| 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 ».