Vers l’automatisation de l'extraction des métadonnées : Un pré-requis a la description systématique des resources
Bibliographic record
Abstract
À l’ère de la gestion des ressources numériques, les équipes de conception médiatique, comme les gestionnaires documentaires, font face à des défis de taille. Le Groupe des technologies de l’apprentissage de l’Université de Moncton (GTA) réalise depuis plus de 10 ans maintenant des contenus d’enseignement et d’apprentissage destinés aux institutions d’enseignement secondaires et universitaires, ainsi qu’aux milieux de la formation professionnelle. Appelé, dans le cadre d’un partenariat de réalisation de répertoire, à exposer ses ressources d’enseignement et d’apprentissage pour en favoriser la découverte et la réutilisation, le GTA a mis au point une méthodologie de génération des métadonnées qui lui a valu, lors du Forum Innovation N.-B. 2008, l’appui du Conseil national des recherches du Canada (CNRC) pour poursuivre ses travaux. La méthode de génération des métadonnées mise au point par le GTA en 2007 comporte quatre étapes : l’extraction des métadonnées factuelles, l’ajout de deux métadonnées de type bibliographiques, le traitement de masse pour compléter le profil d’application de métadonnées Normetic, et l’exportation des métadonnées au logiciel de répertoire Paloma. Aujourd’hui les outils de répertoire et d’extraction des métadonnées permettent d’automatiser et d’accélérer nombre de ces processus. Le projet MDXtract du CNRC et de l’Université de Moncton explore comment l’extraction des métadonnées peut être automatisée pour de vastes quantités de ressources patrimoniales issues de divers contextes de prestation.
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 | 0.009 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.005 |
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".