Intégrez les plans de cours à votre développement de collection grâce à Syllabo
Bibliographic record
Abstract
Introduction Syllabo est une base de données maison visant à faciliter le processus de développement de collection, tout en ciblant le mieux possible les besoins des étudiants. L’objectif est d’atteindre la meilleure adéquation possible entre les collections des bibliothèques de l’Université de Montréal, et les ouvrages et sources d’information mentionnés dans les plans de cours. Méthodologie Le développement de Syllabo a débuté en juin 2009 à la Bibliothèque de la santé, dans la perspective de faciliter le processus de révision des syllabus des cours offerts à chaque trimestre par les facultés et les écoles desservies par les bibliothèques. Un procédurier décrit en détail la configuration de cette base élaborée à l’aide du logiciel EndNote. On y explique les étapes de repérage des syllabus et des données bibliographiques, les champs personnalisés disponibles (sigle du cours, statut du document, suivi des démarches, etc.), le vocabulaire contrôlé et les règles d’écriture associés à ces champs, ainsi que les procédures de sauvegarde. Résultats La base Syllabo facilite maintenant le repérage annuel de nouvelles éditions, assure un suivi plus systématique de toutes les démarches requises, tout en simplifiant les communications avec les professeurs. La Bibliothèque de la santé applique dorénavant cette même méthodologie à la gestion de ses sections référence et de réserve de cours. Exposé La base Syllabo a grandement amélioré l’efficacité du processus de révision des syllabus et est maintenant implantée dans cinq bibliothèques de l’Université de Montréal (Santé, Paramédicale, Optométrie, Lettres et sciences humaines et EPC-Biologie).
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.033 | 0.010 |
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".