“Ask, Acquire, Appraise”: A Study of LIS Practitioners Participating in an EBLIP Continuing Education Course
Notice bibliographique
Résumé
Objective – The project sought to examine the aspects of the question answering process in an evidence based library and information practice (EBLIP) context by presenting the questions asked, articles selected, and checklists used by an opportunistic sample of Australian and New Zealand library and information professionals from multiple library and information sectors participating in the “Evidence Based Library and Information Practice: Delivering Services That Shine” (EBLIP-Gloss) FOLIOz e-learning course.
 
 Methods – The researchers analyzed the “ask,” “acquire,” and “appraise” tasks completed by twenty-nine library and information professionals working in Australia or New Zealand. Questions were categorized by EBLIP domain, articles were examined to identify any comparisons, and checklists were collated by frequency.
 
 Results – Questions fell within each of the six EBLIP domains, with management being the most common. Timeliness, relevance, and accessibility were stronger determinants of article selection than rigour or study design. Relevance, domain, and applicability were the key determinants in selecting a checklist.
 
 Conclusion – This small-scale study exemplifies the EBLIP process for a self-selecting group of library and information professionals working in Australia and New Zealand. It provides a snapshot of the types of questions that library and information practitioners ask, and the types of articles and checklists found to be useful. Participants demonstrated a preference for literature and checklists originating from within the library and information science (LIS) field, reinforcing the imperative for LIS professionals to contribute to EBLIP research.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,238 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».