Bibliographic record
Abstract
Le Web est devenu, en quelques années, un support essentiel de diffusion de l’information. Cependant, la nature même du Web remet en cause une des fonctions principales des institutions culturelles : la conservation du patrimoine. Cela est d’autant plus le cas pour les bibliothèques nationales qu’elles sont souvent en charge, au titre de leur mission de dépôt légal, de la collecte et de la conservation de l’ensemble de la production scientifique et culturelle d’une nation. Pour faire face aux défis que représentait l’archivage d’une masse de données aussi vaste et aussi hétérogène, les bibliothèques ont donc été amenées à questionner leurs approches. Elles ont dû notamment s’inspirer des démarches d’autres communautés professionnelles, particulièrement celle des archivistes. La terminologie et certaines méthodes archivistiques ont souvent été employées : accent mis sur la collecte, pratique de l’échantillonnage… De fait, les collections constituées ont elles-mêmes un statut hybride, tenant à la fois de la publication et du document d’archives. Puisque les archives du Web sont des artefacts, des agrégats complexes, la question de l’authenticité prend également une place déterminante. L’ouverture à de nouvelles approches– qui ne signifie pas forcément une fusion des identités professionnelles – doit inciter à la coopération entre institutions.
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 | 0.007 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.019 |
| Science and technology studies | 0.009 | 0.015 |
| Scholarly communication | 0.037 | 0.037 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.046 | 0.015 |
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".