How Information in Grey Literature Informs Policy and Decision Making: The Need to Understand the Processes
Notice bibliographique
Résumé
Our bibliometric research will examine a select set of documents in the Homeland Defense and Security Information Analysis Center’s (HDIAC) collection. The focus will be on documents in the “Cultural Studies” focus area. There are over 210,000 documents in the HDIAC collection, and much of it is grey literature. Staff use a template that includes bibliographic information, keywords, task areas, and other descriptive information to catalog items for inclusion in HDIAC’s database. In staff discussions, it was discovered that some focus areas intersect with other focus areas. For example, Cultural Studies overlaps with the Medical, Alternative Energy, Critical Infrastructure Protection, and Homeland Defense & Security focus areas. The purpose of this research is to examine the intersects that Cultural Studies has with the other HDIAC focus areas by examining the keywords and task area terms that include the term “Cultural Studies.” This process will assist in clarifying the subject key words used to identify cultural studies and facilitate the tagging, acquisition, and discovery processes. It will also give staff a model they can use to gain a deeper understanding of how culture intersects with other disciplines. A bibliometric study will be conducted to evaluate the HDIAC database, Scientific and Technical Analysis and Research Tool (START), and quantify the Activity Index (AI) of the HDIAC database.
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 | 0,387 | 0,612 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,109 | 0,156 |
| Études des sciences et des technologies | 0,015 | 0,036 |
| Communication savante | 0,096 | 0,100 |
| Science ouverte | 0,006 | 0,028 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».