Die TRUST-Prinzipien für digitale Repositorien
Bibliographic record
Abstract
Da Informations- und Kommunikationstechnologien in unserer Gesellschaft allgegenwärtig geworden sind, sind wir zunehmend sowohl von digitalen Daten abhängig als auch auf Repositorien angewiesen, die den Zugang zu diesen Ressourcen und ihre Nutzung ermöglichen. Repositorien müssen sich das Vertrauen der Communitys, denen sie dienen sollen, verdienen und unter Beweis stellen, dass sie zuverlässig und in der Lage sind, die in ihnen vorgehaltenen Daten adäquat zu verwalten. Nach einer jahrelangen öffentlichen Debatte und auf der Basis eines bestehenden Konsenses der Community haben mehrere Stakeholder, die verschiedene Bereiche der Gemeinschaft digitaler Repositorien repräsentieren, gemeinsam eine Reihe von Leitprinzipien für den Nachweis der Vertrauenswürdigkeit („Trustworthiness”) digitaler Repositorien aufgestellt und gebilligt. Transparency (Transparenz), Responsibility (Verantwortung), User focus (Nutzerfokussierung), Sustainability (Nachhaltigkeit) und Technology (Technologie): die TRUST-Prinzipien bieten einen gemeinsamen Rahmen, der die Erörterung und Umsetzung von Best Practices in der digitalen Bestandserhaltung durch alle Stakeholder fördern soll. Die vorliegende deutsche Übersetzung des Dokuments entstand im Rahmen des Verbundprojektes EcoDM mit der Förderung des Bundesministeriums für Bildung und Forschung (BMBF) unter dem Förderkennzeichen 16DWWQP.
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 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.011 |
| Scholarly communication | 0.011 | 0.016 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 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".