Modéliser la maison des communs : l’évaluation de l’impact des fab labs en bibliothèque
Bibliographic record
Abstract
La présente étude vise à poser des assises théoriques et pratiques pour mieux comprendre le développement des fab labs et des laboratoires de créativité en bibliothèque. Ces bibliothèques intentionnelles qui sont à propos des fab labs incarnent un renouvellement des missions. Selon R. David Lankes, la bibliothèque d’aujourd’hui, celle qui vise à « faciliter la création de savoir dans la communauté », implique une remise en question de la gouvernance et de la relation entre les gens de bibliothèques et la communauté sous la forme d’une coproduction. Ce concept de coproduction rejoint l’approche des communs avec un modèle : celui de la bibliothèque comme maison des communs dont l’émergence est favorisée par l’action de ces labs. Comment peut-on aborder la question de l’évaluation de l’impact de ces pratiques et de ce modèle en bibliothèque ? En s’appuyant sur diverses sources (cadre de référence, charte des fab labs, étude de cas de Benny Fab), un cadre de référence réunissant des indicateurs d’impact permet de révéler comment les transformations réalisées par l’entremise d’un fab lab supportent le développement de ce modèle de la bibliothèque comme maison des communs.
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 | 0.010 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.012 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".