Livres numériques et bibliothèques publiques en Europe francophone : quelle offre ?
Bibliographic record
Abstract
En 2014 apparaissent en France les premières plateformes de prêt numérique du système PNB (Prêt numérique en bibliothèques). Le système est basé sur une architecture en étoile et les libraires indépendants font partie intégrante du projet. Se sont posés rapidement des freins techniques (majoritairement liés au verrou numérique d’Adobe) et économiques (coût de l’infrastructure et des acquisitions). Le projet fait pourtant montre d’un caractère novateur, avec un modèle qui permet la simultanéité des prêts. À ce jour, plus de 500 réseaux de bibliothèques ont rejoint le dispositif, notamment grâce aux espoirs qui reposent sur le nouveau verrou numérique « LCP » et aux négociations de l’association Réseau Carel, qui défend les intérêts des bibliothécaires. Des négociations économiques importantes demeurent néanmoins à mener, et un très grand groupe éditorial reste à convaincre de l’adoption de la simultanéité. Le manque d’approche globale du projet initial a été partiellement comblé par l’ouverture du projet aux bibliothèques départementales de prêt, mais dont beaucoup hésitent encore à s’engager. Quant à lui, le réseau de lecture publique belge francophone suit, au sein de PNB, une approche coopérative originale qui permet à l’ensemble de sa population d’accéder au même catalogue global.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.013 | 0.023 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.014 | 0.010 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.042 | 0.009 |
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".