Love Data: Persistent Identifiers in Scholarly Communication Networks - the ORCID Advantage
Notice bibliographique
Résumé
This webinar was recorded via Zoom on Wednesday, February 5, 2025.Persistent Identifiers or PIDs, are valuable pieces of information assigned to authors, articles, journals, books, funders, institutions, and other discrete elements embedded in scholarly communication or academic networks. PIDs are unique, open and interoperable, which makes them ideal to connect and distribute associated metadata seamlessly through the ecosystem. Join us to learn about the myriad ways you can use PIDs, such as ORCID, to promote your work and connect with others in academia.Mike Nason is the Open Scholarship and Publishing Librarian at the University of New Brunswick in Fredericton, New Brunswick, Canada. He is also the Metadata and Crossref Liaison with the Public Knowledge Project (PKP) and a PKP Publishing Services team member. He currently serves on the Coalition Publica technical committee and was the chair of their metadata working group, a two-year project to establish better metadata practices for the Coalition Publica membership and broader OJS community. Mike also chaired the ORCID-CA governing committee as part of the Canadian Research Knowledge Network (CRKN) consortium.This workshop is part of Love Data Month, run by the Data Services Team. This specific event is sponsored by the Open Scholarship Community Rochester (OSCR).
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 | 0,021 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,013 |
| Études des sciences et des technologies | 0,009 | 0,003 |
| Communication savante | 0,023 | 0,045 |
| Science ouverte | 0,003 | 0,025 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,168 | 0,083 |
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 ».