MétaCan
Menu
Retour à la cohorte
Enregistrement W1495777512 · doi:10.1002/meet.2014.14505101110

Critical making with a raspberry pi ‐ towards a conceptualization of librarians as makers

2014· article· en· W1495777512 sur OpenAlexaff
Krista E. Parham, Anna Ferri, Stephanie Fan, Matthew Murray, Rebecca A. Lahr, Ekatarina Grguric, Monica Swamiraj, Eric M. Meyers

Notice bibliographique

RevueProceedings of the American Society for Information Science and Technology · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueInnovative Human-Technology Interaction
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésConceptualizationCreativityProcess (computing)IntrospectionRaspberry piSociologyComputer scienceIntersection (aeronautics)SPARK (programming language)World Wide WebKnowledge managementPsychologyEngineeringInternet of ThingsSocial psychology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Makerspaces, designated spaces to foster creativity and technology skills, are increasingly being incorporated into libraries. Although makerspaces in libraries are depicted positively in the literature and are praised by professional organizations, there is little exploration of the acculturation that results as libraries and makerspaces learn to coexist. In keeping with Matt Ratto's model of “critical making,” we used the process of collaboratively building an interactive Readers’ Advisory Device (RAD) that runs on a Raspberry Pi computer to elicit introspection. In this poster we describe how our interdisciplinary group faced challenges working with unfamiliar tools and technology through a non‐hierarchical, collaborative, and iterative process, seeking knowledge and skills from the maker community. We then engaged the wider community around both how and why we developed this device by exhibiting it at a Maker Faire. Our experience taught us about the making process and helped us think critically about the intersection of libraries and makerspace cultural values. We found that making is as much an act of networking as of creation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,806
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,004
Études des sciences et des technologies0,0000,005
Communication savante0,0000,003
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,282
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the American Society for Information Science and TechnologyMême sujetInnovative Human-Technology InteractionTravaux en français237 207