Bibliographic record
Abstract
Initié en 2012 par l’Université de Colombie-Britannique(UBC) sous la direction de la Professeure Luciana Duranti de la School of Library, Archival and Information Studies (SLAIS) et soutenu par le Conseil de recherches en sciences humaines du Canada (CRSH), le projet Records in the Cloud (RiC, http://www.recordsinthecloud.org) vise à identifier et à analyser en profondeur les questions techniques, opérationnelles, juridiques et économiques relatives au traitement et à la conservation externalisés moyennant des options Cloud. Basé sur une approche qualitative, ce projet réunit un groupe interdisciplinaire et international de chercheurs nord-américains et européens. Il ambitionne de développer les politiques, les directives, les outils et les dispositifs répondant aux besoins des utilisateurs et des fournisseurs des services Cloud. Au terme de cette recherche, un éclairage pertinent sur les avantages et les risques qui caractérisent les pratiques de la gestion des documents via les solutions Cloud sera présenté. Sur le plan méthodologique, en plus de l’analyse exhaustive de la littérature scientifique et professionnelle, un questionnaire web auprès de 300 utilisateurs Cloud et des entretiens semistructurés d’un échantillon significatif de fournisseurs Cloud sont envisagés. Nous présenterons dans cet article deux sections principales. La première sera réservée à la présentation des grandes lignes du projet RiC: sa problématique, ses objectifs et ses questions de recherche en détaillant la méthodologie préconisée pour ses quatre années de réalisation. Nous y préciserons, également, les différentes étapes réalisées et rappellerons les étapes prévues dans le cadre de cette recherche. La deuxième section présentera les résultats préliminaires de cette recherche.
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 | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.042 | 0.011 |
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".