Emprunteurs de livres à BAnQ : portraits et tendances
Bibliographic record
Abstract
En comparaison d’autres zones géographiques présentant des pratiques culturelles diverses, le Québec a fait peu de place aux livres numériques (LN) jusqu’à récemment (Labrousse et Lapointe, 2021a). Exception faite de la période correspondant au début de la pandémie de COVID-19, les ventes de LN au Québec sont relativement stables ou diminuent. Toutefois, les services de prêt des bibliothèques se trouvent en première ligne pour constater non seulement l’augmentation de l’offre, mais aussi de la demande, qui les a incités à accélérer le développement des collections immatérielles (Labbé, 2016). Dans ce contexte, Bibliothèque et Archives nationales du Québec (BAnQ) a voulu faire le portrait des emprunteurs de LN au sein de l’institution et le comparer à celui des emprunteurs de livres physiques (LP) et d’emprunteurs hybrides. Les données analysées proviennent de trois sources : BAnQ pour les LP, ainsi que les deux principales plateformes d’emprunts de LN de BAnQ, soit Pretnumerique et OverDrive. Ces données sont de trois types, déterminés selon leur objet : les abonnés, les emprunts et les livres. Les profils des trois types d’emprunteurs (LN, LP et hybrides) sont examinés ce qui permet d’identifier des spécificités propres à chacun. En plus de soulever des enjeux tels la féminisation des emprunts, les résultats permettent de constater que certaines tendances, telles la diminution des emprunts de LP et l’augmentation des emprunts de LN, s’étaient déjà installées avant la pandémie.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.007 | 0.015 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.001 |
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".