Dataverse North Metadata Best Practices Guide : Version 2.0
Notice bibliographique
Résumé
This best practices guide is intended for anyone who is depositing data in a Dataverse repository and needs to create metadata. It provides official definitions of metadata fields; adds clarifications and tips where needed; distinguishes between required, recommended, and optional fields; and illustrates the use of each field with an example. Earlier versions of the guide covered the fields in the Citation Metadata block. This version adds coverage for fields in the Geospatial Metadata and Social Sciences and Humanities Metadata blocks. Future editions will add guidance for Life Sciences Metadata and Astronomy & Astrophysics Metadata. The guide was produced by the Metadata Subgroup of the Dataverse North Working Group on behalf of the Canadian Association of Research Libraries (CARL) with permission from Harvard for the use of definitions and the Texas Digital Library for basic design. Ce guide est aussi disponible en français.
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 | 0,029 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,004 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,015 | 0,028 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,020 | 0,017 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,189 | 0,334 |
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 ».