Adequando dados bibliográficos ao Linked Data: requisitos necessários, vantagens e desafios
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
O Linked Data foi desenvolvido visando atender ao contexto tecnológico vigente e pode ser aplicado potencialmente ao domínio bibliográfico. Objetivou-se verificar a viabilidade e a relevância de se adequar os dados bibliográficos aos princípios do Linked Data. A coleta de dados baseou-se em uma metodologia de caráter qualiquantitativo, pautado na realização de uma Revisão Sistemática da Literatura. Os dados foram analisados à luz das seguintes categorias: enfoque dos documentos, requisitos necessários para a adequação de dados bibliográficos ao Linked Data, vantagens e desafios relacionados a essa adequação. Como resultados, identificaram-se o Resource Description Framework (RDF) e o Uniform Resource Identifier (URI) como requisitos necessários para prover a adequação de dados bibliográficos ao Linked Data. As principais vantagens identificadas foram a interoperabilidade de dados, melhores resultados de busca, maior visibilidade dos dados das bibliotecas no ambiente Web e promoção de descoberta acidental de recursos. Os principais desafios identificados foram a heterogeneidade dos dados disponibilizados na Web e a conversão dos dados descritos em formato MARC21. Concluiu-se que os dados bibliográficos podem ser adequados ao Linked Data, porém, muitos desafios ainda precisam ser superados para permitir essa realidade.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.010 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.036 |
| Open science | 0.011 | 0.006 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 it