Metadata Extraction and Citation Automation (MECA)
Notice bibliographique
Résumé
Zotero is a tool that researchers typically use to manage their articles and import citations. An issue arises when migrating a local database to Zotero. If a bulk import is used, Zotero neither validates nor formats the metadata, which leads to inconsistency (e.g., inconsistent title capitalization and field entries); Otherwise, the data has to be manually reviewed and entered, which can be particularly time-consuming. To address these issues MECA (Metadata Extraction and Citation Automation) is being developed to automate the process and enforce consistency. The program accomplishes this by using optical character recognition or a PDF reader to extract a DOI, which is then validated using a CrossRef API. Upon validation, a predefined set of fields is requested and formatted by identifying nouns through parts-of-speech tagging. The data is then packaged with the corresponding file and inputted into Zotero through an API. Articles that fail any step are skipped and copied into a folder for manual review. The advantage of such automation is that it can enforce consistency, increase efficiency, and operate in the background. The user will only need to review a small subset of the original files that were too ambiguous for the program. The program performs best with newer articles in text-PDF and has a numerical DOI. We are excited by the potential for this project to save scholars in Canada and abroad substantial time citing their research, allowing them to devote their efforts to the pursuit of important scholarly objectives outlined in the SDG.
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 | 0,017 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,025 | 0,021 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,065 | 0,053 |
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 ».