Using document delivery data for selecting medical titles in a large STM library
Notice bibliographique
Résumé
This paper describes how a large science, technology and medicine (STM) library used document delivery data to support the selection of new journal titles in order to better meet the needs of document delivery clients. Over a nine-month period in 2004, the Canada Institute for Scientific and Technical Information (CISTI) undertook a review of its current serial subscriptions to determine whether they continued to meet the needs of researchers at the National Research Council of Canada (NRC) and the needs of document delivery clients both in Canada and internationally. This paper describes the study of the print serial collection and the findings. Bibliographic data on current serial titles in CISTI's Catalogue was compared with Document Delivery data on filled orders. Further analysis was then done to extract document delivery usage data on unfilled orders. Subject analysis of the collection and usage were done by Library of Congress (LC) Classification and by user group. The data on unfilled document delivery orders identified titles not held at CISTI but from which clients were requesting articles. Data from the National Library of Medicine (NLM) was used to identify titles needed by Canadian libraries but not widely available in Canada. The findings showed that while CISTI clients were well served in most fields, there was a need to enhance the collection, notably in the health sciences and to a lesser extent, business. As a result, 135 new medical and health serial titles were purchased. The study confirmed that document delivery usage data could be used effectively to support strategic library collection development decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».