Breaking-up is hard to do: A unique methodology for unbundling a âBig Dealâ
Notice bibliographique
Résumé
Academic libraries acquire access to many journal titles through âBig Dealâ bundles. As serials prices continue to rise at unsustainable rates it will become increasingly necessary to consider breaking-up these packages and just subscribing to the most important titles individually. Recently, it appeared that the University Library, University of Saskatchewan would likely no longer be able to afford the American Chemical Society (ACS) bundle of 40+ titles, and tough decisions would need to be made. Usage data on each title were readily available â but is that enough evidence? Working under the common assumption that the primary users of this package are the Chemistry Department researchers, a citation analysis was conducted on what ACS journals these users recently published in and cited in their articles. In an effort to engage chemistry researchers and offer them a voice in the process, a survey of their opinions on each ACS title was also conducted. It was hoped that combining data from these three discrete sources: usage statistics, citation analyses, and user feedback, would enable us to arrive at the most conscientious, evidence-based decisions possible. This study took the novel approach of applying a citation analysis technique to usage data and survey responses. Although unconventional, this unique methodology proved useful in this situation. This presentation will describe the steps taken and discuss the benefits and challenges of this method so that librarians may consider whether this approach could be adapted to their own collections analysis needs.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».