Maudits moteurs ! Ou comment et pourquoi les bibliothèques pactisent avec le diable, pour répondre, elles aussi, aux attentes de la société de lâinformation
Bibliographic record
Abstract
Analyse des relations entre les bibliothèques et moteurs de recherche depuis les années 2000. Apparition des contrats de partenariat autour des résolveurs de liens, puis des contrat pour l'échange et l'exposition de données bibliographiques et puis enfin contrats de numérisation de livres. On voit ensuite se multiplier les acteurs du "système livre" et ce phénomène apparaît comme une chance d'équilibrer les rapports entre bibliothèques et moteurs sur le long terme. La présentation aborde le futur des relations entre acteurs du livres et des moteurs de recherche et conclut qu'une relation durable est maintenant possible. Les moteurs veulent indexer le contenu des livres et proposer des services commerciaux ou générant du traffic à partir de ce contenu. Les bibliothèques ont tout à gagner à présenter ces données via les moteurs pour augmenter leur visbilité et servir le public, mais elles doivent faire attention à ne pas dilapider le capital constitué des milliards de livres qu'elles possèdentet à trouver leur place sur les nouveaux marchés ouverts par le numérique et le web.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.008 | 0.006 |
| Scholarly communication | 0.013 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.090 | 0.034 |
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".