How Discovery Systems Use DataCite Metadata: Harvester Roundtable
Notice bibliographique
Résumé
In this session, we will provide an overview of some of the cutting edge tools and services available for working with DataCite metadata, including our APIs, DataCite Commons, the public data file, and beyond. Alongside this, we will hear from some of the key players who are leveraging DataCite’s 50+ million metadata records to develop innovative tools for locating research. This will be an opportunity to learn about how DataCite metadata is and can be used, to enable discovery and reuse, and the impact that rich metadata can have on the scholarly record. Speakers, chapters of the recording: Kelly Stathis (Technical Community Manager, DataCite), https://www.youtube.com/watch?v=dJgohsagG20&t=0s Maria Gould (Director of Product, DataCite), https://www.youtube.com/watch?v=dJgohsagG20&t=97s Paolo Manghi (Chief Technology Officer, OpenAIRE AMKE), https://www.youtube.com/watch?v=dJgohsagG20&t=1157s Patricia Tortosa (Editorial Content Manager, Clarivate Analytics), https://www.youtube.com/watch?v=dJgohsagG20&t=2030s Casey Meyer (Chief Technology Officer, OurResearch), https://www.youtube.com/watch?v=dJgohsagG20&t=2918s
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,901 | 0,927 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».