Institutional linked data frameworks for collections, discovery, and access
Notice bibliographique
Résumé
Linked data is the language of the web, and is a profoundly important opportunity for libraries to expand their reach. This talk will highlight how University of Alberta and University of Pennsylvania are leveraging key community partnerships (Share-VDE, LD4, PCC, Wikidata) and institutional strategic objectives to drive implementation choices, presenting generalizable approaches to successful linked data strategies in libraries. A general linked data vision takes a holistic approach to library implementation by supporting overall library strategic goals and objectives. Linked data objectives are not a separate or compartmentalized goal, but rather the overarching long term effects of linked data support library operations. Indeed, as library linked open data have proliferated on the web, linking external datasets with classic sources of library information have led to increased exposure of library resources, collections, and expertise. This talk will contextualize linked data from the perspective of current systems; extensions that can be made from where any library is at; and from any level of resource constraint. It is often possible to include linked data in more traditional representations, or to make connections between linked data and more familiar formats. This presentation will introduce examples of these mixed-format or “hybrid” linked data environments as they are expected to be the most common way in which linked data is used in production in the next few years. For the foreseeable future, linked data strategy is based on experimentation, innovation, and collaboration. This will encompass work in a hybrid environment that will include MARC records, sometimes enhanced with linked data identifiers, as well as more “native” linked data formats.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,005 | 0,023 |
| Science ouverte | 0,009 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».