Caractéristiques de schémas de classification personnels des documents administratifs électroniques : éléments d’analyse et de discussion
Bibliographic record
Abstract
Les employés d’un organisme utilisent souvent un schéma de classification personnel pour organiser les documents électroniques qui sont sous leur contrôle direct, ce qui suggère la difficulté pour d’autres employés de repérer ces documents et la perte possible de documentation pour l’organisme. Le premier objectif de notre recherche doctorale était de décrire les caractéristiques de 21 schémas de classification utilisés par des employés de l’Université de Montréal pour organiser et classer des documents administratifs électroniques. La caractérisation de schémas de classification personnels nous a permis d’approfondir notre connaissance des schémas de classification personnels sur les plans structurel, logique et sémantique. Les résultats révèlent plusieurs caractéristiques communes à une majorité de schémas de classification personnels dont leur macrostructure étendue, leur structure peu profonde, complexe et déséquilibrée, le regroupement par thème, l’ordre alphabétique des classes. L’identification de traits communs suggère un certain décalage entre les caractéristiques des schémas de classification personnels et les caractéristiques des schémas de classifications institutionnels, conçus par des professionnels de la gestion des documents et des archives. Ce décalage permet de mieux comprendre la réticence de certains employés à utiliser les schémas de classification institutionnels pour l’organisation des documents administratifs électroniques qui sont sous leur contrôle direct.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".