Selecting Which Databases to Teach Students in Communication Disorders by Considering Database Pairs that Index Core Journals in the Field
Notice bibliographique
Résumé
A Review of: Grabowsky, A. (2015). Library instruction in communication disorders: Which databases should be prioritized? Issues in Science and Technology Librarianship 79(Winter). doi:10.5062/F4707ZFB Abstract Objective – There are two objectives in this research article. The first is to identify databases that librarians usually recommend to students for searching topics in communication disorders. The second is to compare these databases’ indexing of core journals in communication disorders, with the purpose of ascertaining which databases should be taught first in a one-shot information literacy session. Design – A comparative database evaluation using citation analysis. Setting – 10 universities in the United States of America offering LibGuides for their audiology or speech language pathology programs. Subjects – Six databases: CINAHL, ERIC, Linguistics and Language Behavior Abstracts (LLBA), PsycINFO, PubMed/Medline, and Web of Science/Web of Knowledge. Methods – The author selected 10 universities from the top 20 included in the graduate school rankings for audiology and/or speech language pathology from U.S. News & World Report. The 10 universities selected were chosen because their librarians published online subject guides using LibGuides that suggest databases students can use for searching topics in communication disorders. The LibGuides were then examined to identify the most popular recommended databases that the author subsequently used for comparing coverage of core journals in communication disorders. The author generated a core journals list by selecting the top 20 audiology and speech-language pathology journals from Journal Citation Reports, SCImago Journal & Country Rank, and Google Scholar Top Publications. These three sources produced lists of influential journals in different subject areas by looking at the number of citations the journals have received, alongside other factors. The author searched for 33 journals in total in each of the subject databases previously identified. Main Results – The author found six databases that were mentioned in the LibGuides of at least half the universities investigated. None of the 6 databases indexed all 33 core journals. The breakdown of the number of journals indexed in each database is as follows: Web of Science/Web of Knowledge indexed 32 of 33 core journals (97%); PubMed/Medline indexed 28 (85%); PsycINFO indexed 27 (82%); CINAHL indexed 25 (76%); LLBA indexed 23 (70%); and ERIC indexed 9 journals (27%). Conclusion – The author discovered that pairing certain databases allows for coverage of all 33 core journals. These pairings are: PubMed/Medline with PsycINFO, PubMed/Medline with LLBA, PubMed/Medline with Web of Science, Web of Science with PsycINFO, and Web of Science with LLBA. The author suggests that librarians can create instructional materials for all recommended databases, “but use information from this study together with institution-specific factors to decide which databases to prioritize in face-to-face instruction sessions for speech-language pathology and audiology students” (Conclusion).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,022 | 0,020 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».