Inteligentne metadane dla polskich instytucji kultury. Analiza zagranicznej literatury przedmiotu
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
W artykule przedstawiono wyniki analizy literatury przedmiotu nt inteligentnych metadanych rejestrowanej w wybranych bazach danych (LISTA, Scopus, Web of Science). W ramach dyskusji terminologicznej zdefiniowano termin „smart metadata” oraz wyjaśniono przyjętą metodologię badań literaturowych. Przedstawiono wyniki badań ilościowych i jakościowych oraz wnioski wynikające z analizy literatury przedmiotu. Zwrócono szczególną uwagę na rolę inteligentnych metadanych w sztucznej inteligencji oraz praktyczne zastosowania inteligentnych metadanych w archiwach, bibliotekach i muzeach (ALM). W zakończeniu wskazano luki badawcze w badaniach nad inteligentnymi metadanymi używanymi w polskich instytucjach kultury.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.014 | 0.037 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.009 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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