MétaCan
Menu
Retour à la cohorte
Enregistrement W2094157065 · doi:10.1300/j120v40n83_07

Building a Learning Culture for the Common Good

2004· article· en· W2094157065 sur OpenAlexaff
Melody Burton

Notice bibliographique

RevueThe Reference Librarian · 2004
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPaceKnowledge managementExperiential learningPresentation (obstetrics)Active learning (machine learning)IncentiveCooperative learningOrganizational cultureService (business)Computer scienceDeskPublic relationsPedagogySociologyBusinessTeaching methodMarketingPolitical science

Résumé

récupéré en direct d'OpenAlex

SUMMARY Librarians are well positioned to embrace the journey towards a learning culture; we have resources and we have incentive! Teetering on the edge of information technology, libraries are committed to continuous change for the benefit of our customers. To fulfill this promise, staff must keep pace with new technologies, products, and an increasing demand for new services in an environment with shrinking human resources. There is more to learn and less time in which to learn it. This paper describes a proactive, team-based approach used to create a learning culture in one library. Staff act as peer learners and teachers to educate themselves and each other about all aspects of their reference work such as approaches to service, orientation for new members, learning and evaluating new tools, and discussing the development of new services. The whole is greater than the sum–this dynamic, shared learning environment embraces diverse learning styles including discovery, discussion, demonstration, presentation, homework, questioning, and hands-on practice. Analysis of feedback from students and challenging questions at the reference desk grounded the experience and made it immediately relevant and useful. This strategy furthers the goal of the learning organization where members share the responsibility of learning. The outcomes are an enriched collective knowledge and understanding, a sustainable model for continuous learning, social connectivity, and team experience.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,103

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,018
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0170,039
Communication savante0,0260,016
Science ouverte0,0020,027
Intégrité de la recherche0,0040,007
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,059
Tête enseignante GPT0,321
Écart entre enseignants0,263 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations3
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Reference LibrarianMême sujetKnowledge Management and SharingTravaux en français237 207