A High Performance Partnership: Data Librarians and Supercomputer Centres
Notice bibliographique
Résumé
As datasets have continued to grow exponentially, data libraries are struggling with ways to provide access to them and support their use. The University of Toronto’s Map & Data Library recently explored options for providing access to one such large dataset: Web of Science Raw Data (XML). Researchers across disciplines are interested in using this dataset to explore citation networks and conduct bibliometrics research. University administrators are also very interested in this dataset for their reports and benchmarking. Querying this dataset can result in a subset of millions of records; thus, the challenge is not just in accessing the data, but also how to work with such a large number of results. To overcome these obstacles, the Map & Data Library has developed a mutually beneficial partnership with our High Performance Computer Service on campus: SciNet. This partnership enabled us to develop a new service that provides access to the Web of Science XML through an environment where researchers can effectively query and work with this dataset. This presentation will focus on our experiences with this project: how it came about; how the relationship was developed and navigated; the challenges in building a sustainable service; what our final solution was; what roles the Map & Data Library and SciNet play in this service; and our future plans to continue to expand this fruitful partnership.
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 | 0,049 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,022 |
| Études des sciences et des technologies | 0,016 | 0,005 |
| Communication savante | 0,038 | 0,034 |
| Science ouverte | 0,004 | 0,036 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 0,047 |
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 ».