Altmetric Top 10: A Novel Approach to Marketing Research Impact Services
Notice bibliographique
Résumé
Research impact services are becoming increasingly popular in academic libraries. However, there exist a number of barriers to the successful launch of such services. Misconceptions about what various indicators measure and how data will be used may make researchers wary of research impact services. Additionally, libraries may be hesitant to invest in expensive bibliometric/altmetrics databases without a known level of interest in such services. This intervention addressed these barriers by using the free version of Altmetric Explorer to launch a social media campaign highlighting the Faculty of Health Sciences’ Top 10 most attention-grabbing articles from the past year. The campaign served to simultaneously educate users about the calculation of Altmetric Attention Scores, celebrate the research efforts of the Faculty, and inform researchers of the existence of research impact services at the library. The two campaigns (run in January 2019 and 2020) generated considerable interest on Twitter and the library gained a number of influential followers as a result. In addition, the library saw a 39% increase in visits to its Research Impact subject guide, with spikes during the days the campaign was running. Such marketing campaigns represent a simple first step towards more fully-formed research impact services. The campaign served as a conversation starter and helped identify the library as the first stop for research impact support. What’s more, this research impact project required no additional funding and could easily be replicated by other libraries using their existing database subscriptions.
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 | 0,011 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,016 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,016 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,127 | 0,039 |
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 ».