MétaCan
Menu
Retour à la cohorte
Enregistrement W2167940689 · doi:10.1002/asi.21474

Learning outcomes of information literacy instruction at business schools

2011· article· en· W2167940689 sur OpenAlexaff
Brian Detlor, Heidi Julien, Rebekah Willson, Alexander Serenko, Maegen Lavallee

Notice bibliographique

RevueJournal of the American Society for Information Science and Technology · 2011
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLibrary Science and Information Literacy
Établissements canadiensLakehead UniversityUniversity of AlbertaMount Royal UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésInformation literacyDemographicsLiteracyPsychologyExploratory researchAffect (linguistics)Medical educationMathematics educationPedagogySociologyMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract This paper reports results from an exploratory study investigating the factors affecting student learning outcomes of information literacy instruction (ILI) given at business schools. Specifically, the potential influence of student demographics, learning environment factors, and information literacy program components on behavioral, psychological, and benefit outcomes were examined. In total, 79 interviews with library administrators, librarians, teaching faculty, and students were conducted at three business schools with varying ILI emphases and characteristics. During these interviews, participants discussed students' ILI experiences and the outcomes arising from those experiences. Data collection also involved application of a standardized information literacy testing instrument that measures student information literacy competency. Analysis yielded the generation of a new holistic theoretical model based on information literacy and educational assessment theories. The model identifies potential salient factors of the learning environment, information literacy program components, and student demographics that may affect ILI student learning outcomes. Recommendations for practice and implications for future research are also made.

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)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,013
Tête enseignante GPT0,279
Écart entre enseignants0,267 · 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'étudeObservationnel
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

Citations87
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American Society for Information Science and TechnologyMême sujetLibrary Science and Information LiteracyTravaux en français237 207