DO Get Technical! Using Technology in Library Instruction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Today’s post-secondary students are digital natives. Much has been said and written about how to reach this generation, and the consensus seems to be that we need to meet them on their turf. In this session presented at WILU 2011 in Regina, SK, two librarians from the University of Lethbridge shared their experiences with using technology to engage students in library instruction. The hands-on session introduced some simple tools librarians can learn quickly and apply to spice up their instruction with technology. These include creating online animated videos using Xtranormal, a low-cost tool way to create polished and humourous videos to introduce or summarize key information literacy concepts; and adding interactive polling to PowerPoint presentations using a tool called Poll Everywhere, which is an effective way to instantly engage students in instruction using the web or web-enabled devices. Interactive polling eliminates many of the challenges of using clickers which are prevalent in many post-secondary library instruction environments. The presenters also discussed how they have experimented with wikis to encourage active learning and student collaboration in a series of library instruction sessions. Wikis allow for free and paperless student participation in knowledge creation in an online forum. Finally, they demonstrated how they have used Skype to deliver library instruction at a distance, including the use of the screen sharing feature. The presenters stressed the ease of use of these free or low-cost tools to improve classroom engagement and add interest to sessions.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,084 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle