MétaCan
Menu
Retour à la cohorte
Enregistrement W2273854252

Connecting in real space : how people share knowledge and technologies in cybercafés

2010· article· en· W2273854252 sur OpenAlexfundno aff
Michael L. Best

Notice bibliographique

RevueResearchWorks at the University of Washington (University of Washington) · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research CentreBill and Melinda Gates Foundation
Mots-clésSpace (punctuation)Computer scienceKnowledge management
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We examine how the internet brings people together not virtually over digital networks but physically while co-located in public spaces. In particular we are interested in how people in cybercafés share and collaborate with others who are physically present in the facility at the same time. We hypothesize that both explicit and implicit collaboration occurs among co-present internet users – at times intentional and purposeful while in other cases accidental, fleeting or voyeuristic. Public shared internet facilities are particularly important in low-come settings such as found in Africa. To examine this hypothesis in an African context we conducted a survey of 75 computer users at a major cybercafé, Busy Internet, in Accra, Ghana. We found that more than one-third of respondents reported some significant form of collaboration and computer sharing with friends, family members, business associates, and even strangers while in the café. Of those respondents reporting computer sharing one-half reported gaining knowledge and learning from the other user as their primary reason for sharing while only a small minority sited purely economic reasons for sharing. Those respondents who shared computers typically came to the cybercafé with more friends or associates, and generally had a better view towards collaborative group work and broader forms of interaction while in the café compared to the nonsharing respondents.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,230
Score d'incertitude au seuil0,781

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,219
Écart entre enseignants0,206 · 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 tête enseignante, 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

Citations4
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearchWorks at the University of Washington (University of Washington)Même sujetTransportation and Mobility InnovationsTravaux en français237 207