Digitalização de documentos no Arquivo Central/SIARQ da UNICAMP: preservação e acesso
Bibliographic record
Abstract
O Arquivo Central do Sistema de Arquivos da Unicamp tem trabalhado no âmbito da gestao e da preservacao digital em algumas frentes, entre elas a proposicao de politicas, de normas para procedimentos e a implantacao de infraestrutura para armazenamento visando a preservacao de documentos arquivisticos da Unicamp. Para a determinacao de politicas e normas destacam-se algumas acoes como a participacao no Projeto InterPARES 3 (International Research on Permanent Authentic Records in Electronic Systems), em convenio com o Arquivo Nacional e a Universidade British Columbia do Canada, a participacao da Câmara Tecnica de Documentos Eletronicos do Conselho Nacional de Arquivos e a atuacao da Comissao de Documentos Digitais da Unicamp, que resultaram na publicacao da Resolucao GR no 17/2011. Com relacao a infraestrutura implantou o Repositorio Digital do Arquivo Central visando armazenamento confiavel de documentos e desta experiencia, surgiu o projeto de digitalizacao de documentos do Arquivo Permanente do AC/Unicamp. O objetivo e utilizar a digitalizacao como alternativa para preservacao de originais e para ampliar o acesso aos documentos do acervo. O projeto em desenvolvimento privilegiou os conjuntos documentais produzidos por atividades de pesquisa da Unicamp, referentes ao periodo de sua instalacao. O projeto levou em consideracao recomendacoes do CONARQ e de outras instituicoes, no que se refere a padroes de metadados e formatos de arquivos e a estrutura de armazenamento. Foi instalado um laboratorio de digitalizacao com apoio da FAPESP, em seu Programa Infraestrutura 2009, e cerca de 800 dossies de docentes serao privilegiados neste projeto
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 | 0.009 | 0.033 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.007 | 0.008 |
| Scholarly communication | 0.017 | 0.007 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.004 |
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".