Avaliação da Qualidade e da Produtividade do Serviço de
Bibliographic record
Abstract
Este relatório aborda, a experiência realizada na Biblioteca da Faculdade de\nCiências e Tecnologia da Universidade Nova de Lisboa (FCT/UNL), sob o tema\nImplementação de Ferramentas para a Monitorização da Qualidade e da Produtividade\ndo Tratamento Documental, em que foram equacionadas soluções para melhorar a\nqualidade da informação do catálogo da biblioteca e considerados os efeitos/mudanças\nque este tipo de atividades pode provocar.\nO estudo desenvolvido, partiu de uma problemática que se prende com a falta de\nqualidade da informação produzida, associada à inexistência de um mecanismo de\nmonitorização da qualidade da informação do catálogo e seguiu uma orientação teórica\nque visou a problematização da qualidade da informação e a procura de evidências para\nmonitorizar e melhorar a qualidade da informação do catálogo. Para a análise da\ninformação recolhida foi aplicada a metodologia Evidence-Based Librarianship (EBL),\numa ferramenta de apoio à gestão e à tomada de decisões, para a resolução de\nproblemas. Graças, a esta abordagem reflexiva das atividades realizadas, foi possível\nrecolher, analisar criticamente e integrar as evidências.\nDestacamos duas metodologias a TIQM e a AIMQ, que podem ser aplicadas\npara avaliar e melhorar a qualidade da informação. Relativamente aos impactos destas\natividades para a qualidade da informação do catálogo, à luz do modelo PESICO,\ndepreendemos da análise do modelo proposto que estas podem ser bastantes benéficas à\nBiblioteca em estudo, pelos ganhos que acarretam.
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 | 0.034 | 0.072 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.014 | 0.019 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.033 | 0.016 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.024 | 0.006 |
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".