CRISalid Training data - Jeu de données d'entrainement pour la détection de doublon bibliographique par IA

Ce jeu de données a pour objectif premier de constituer des données d’entraînement et d’évaluation pour le fine-tuning d’un modèle d’intelligence artificielle dédié à la détection automatique de doublons bibliographiques. Il contient 7 309 paires de notices bibliographiques annotées manuellement, issues de bases de données de publications scientifiques en ligne (HAL, OpenAlex, ScanR, IdRef, Scopus). Les notices ont été collectées à partir du moissonnage réalisé par le Harvester CRISalid, sur la base d’identifiants de chercheurs et chercheuses affiliés à trois universités membres du consortium : l’université Claude Bernard Lyon 1, Nantes Université et l’université Paris 1 Panthéon-Sorbonne. Les annotations ont été produites dans le cadre d’une campagne participative menée entre mai et septembre 2025, mobilisant une cinquantaine de professionnels de l’information scientifique et technique (IST) et des bibliothèques universitaires. Cette campagne faisait suite au constat que le Harvester CRISalid moissonnait un grand nombre de notices présentant des métadonnées très similaires, sans qu’il soit possible de déterminer automatiquement s’il s’agissait ou non des mêmes documents. Un échantillon de ces doublons potentiels, qualifiés de « non triviaux » car non reliés par des identifiants partagés, a été extrait puis annoté manuellement afin de déterminer leur statut : doublon, œuvres distinctes ou cas incertain. L’ensemble des annotations constitue le jeu de données décrit ici et a vocation à être utilisé pour l’apprentissage et l’évaluation de modèles de détection automatique de doublons bibliographiques.