Building bridges: mapping diverse classifications for a seamless user navigation experience
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper describes a BBC project to unify Archive and Production workspaces, during<br> which numerous issues with managing different types of metadata and Knowledge Organi-<br> sation Systems (KOSs) were encountered. Integrating diverse content silos requires bringing<br> together not simply the assets, but also the metadata used to manage those assets. The paper<br> summarises the theoretical background to the project, the BBC’s ‘information ecosystem’,<br> and the user research and requirements-gathering exercises undertaken.<br> Much work on developing metadata crosswalks has been at the heading or label level, and<br> not based on semantic analysis of the content of the labelling or description. However, such<br> semantic analysis needs to be undertaken when mapping diverse taxonomies, thesauri, and<br> keyword lists and, in practice, often needs to balance preservation of local or specialised<br> terminology with accessibility for general users. Just as metadata about content permits the<br> organization of that content, so metadata about metadata (parametadata, or meta-metadata)<br> permits the organization of metadata, enabling end users to make informed browse and<br> navigation choices. Increasingly, in order to integrate content, different KOSs, such as<br> taxonomies and ontologies, need to be related.<br> The paper concludes by summarising the ways in which problems that arose during the<br> integration project were resolved, and how policies for managing parametadata, subjective<br> metadata, and semantic-level mapping were developed.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle