Vers l’automatisation de l'extraction des métadonnées : Un pré-requis a la description systématique des resources
Notice bibliographique
Résumé
À l’ère de la gestion des ressources numériques, les équipes de conception médiatique, comme les gestionnaires documentaires, font face à des défis de taille. Le Groupe des technologies de l’apprentissage de l’Université de Moncton (GTA) réalise depuis plus de 10 ans maintenant des contenus d’enseignement et d’apprentissage destinés aux institutions d’enseignement secondaires et universitaires, ainsi qu’aux milieux de la formation professionnelle. Appelé, dans le cadre d’un partenariat de réalisation de répertoire, à exposer ses ressources d’enseignement et d’apprentissage pour en favoriser la découverte et la réutilisation, le GTA a mis au point une méthodologie de génération des métadonnées qui lui a valu, lors du Forum Innovation N.-B. 2008, l’appui du Conseil national des recherches du Canada (CNRC) pour poursuivre ses travaux. La méthode de génération des métadonnées mise au point par le GTA en 2007 comporte quatre étapes : l’extraction des métadonnées factuelles, l’ajout de deux métadonnées de type bibliographiques, le traitement de masse pour compléter le profil d’application de métadonnées Normetic, et l’exportation des métadonnées au logiciel de répertoire Paloma. Aujourd’hui les outils de répertoire et d’extraction des métadonnées permettent d’automatiser et d’accélérer nombre de ces processus. Le projet MDXtract du CNRC et de l’Université de Moncton explore comment l’extraction des métadonnées peut être automatisée pour de vastes quantités de ressources patrimoniales issues de divers contextes de prestation.
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 | 0,009 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».