Collecting Digital Object Reuse Data and Assessing it with Care
Notice bibliographique
Résumé
The DLF AIG Content Reuse Working Group is developing tools and documentation to better assess the reuse of digital objects. This is particularly of relevance to GLAMR practitioners since there are no established definitions, standards, or common practices for the assessment of digital object reuse. This presentation will focus on two deliverables: a set of reuse assessment data collection Recommended Practices and Ethical Guidelines for assessing reuse. Presenters will provide an overview of the Recommended Practices and associated tools that practitioners can utilize to collect reuse assessment data. They will introduce the Ethical Guidelines and discuss how practitioners can use them to develop more considerate assessment practices for understanding the reuse of the collections they steward. The Guidelines aim to examine the social and political overtures of those working in and impacted by GLAMR environments, and the importance of aligning ethics, values, and accountability in the work process from which future peers draw. Presenters will conclude the talk by articulating how the Recommended Practices and Ethical Guidelines begin to address the lack of standards and common practices for assessing reuse as well as by situating these outputs in the IMLS-funded project "Digital Content Reuse Assessment Framework Toolkit."
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 | 0,174 | 0,288 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,018 | 0,016 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,005 | 0,021 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».