Models for Ethical Decision-Making for Use in Teaching InformationEthics: Challenges for Educating Diverse Information Professionals
Notice bibliographique
Résumé
Teaching Information Ethics to a very diverse group of graduate students working towards careers as information professionals raises a number of challenges. The students come from different disciplines and a wide range of diverse educational, economic, social, and cultural backgrounds and from several different countries. At the University of Pittsburgh, students in the Information Ethics course are enrolled in one of three master’s or doctoral degree programs at the School of Information Sciences: information science, library and information science or telecommunications. In addition, graduate students, and an occasional senior-level undergraduate student, from other disciplines and schools, such as business, medicine, public and international affairs, as well as students from other universities, such as Carnegie Mellon University, take the fifteen-week course. Identifying and using models for ethical reflection and moral decision-making requires drawing on materials from several disciplines and adapting those models for the course. This paper will discuss some of the models used in the past, the advantages and disadvantages of the model currently used (i.e., Richard Paul and Linda Elder’s, The Miniature Guide to Understanding the Foundations of Ethical Reasoning. The Foundation for Critical Thinking, Dillon Beach, CA, 2003), and the evolution of the Information Ethics course over its fifteen-year history.
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 | 0,117 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,036 |
| Communication savante | 0,028 | 0,028 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,011 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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.
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 ».