The Utility of PIDs in Harvesting Open Data Repositories: Challenges in Operating a National Data Discovery Service
Notice bibliographique
Résumé
Lunaris is a national data discovery service for Canada. Providing complete and structured, preferably standards-based, metadata for data records enables Lunaris and other discovery services to effectively find potentially relevant datasets, filter them to concretely identify Canadian datasets, and crosswalk them to an internal metadata schema. We will focus on practical challenges related to our mandate of harvesting Canadian datasets, but our recommendations will be applicable to discovery of other subsets of research data at large. The benefits of persistent identifiers (PIDs) are often discussed in an abstract or aspirational way. Lunaris' experience harvesting repositories reveals concrete scenarios in which PIDs are critical to effectively handling repository metadata. This presentation will outline our procedure for harvesting a new repository and highlight situations in which repositories' use of PIDs and other structured metadata improve this procedure, making explicit recommendations for structured metadata use. We will then discuss the way specific PIDs and other metadata elements enable us to help our users effectively discover records in this cross-repository environment. Finally, we will discuss future work in handling emerging PIDs and metadata standards.
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 | 0,101 | 0,118 |
| 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 | 0,012 | 0,009 |
| Communication savante | 0,025 | 0,032 |
| Science ouverte | 0,008 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».