MétaCan
Menu
Retour à la cohorte
Enregistrement W2417562882 · doi:10.1177/0961000615595455

Scaffolding in information search: Effects on less experienced searchers

2015· article· en· W2417562882 sur OpenAlexaff
Yin‐Leng Theng, Elizabeth A. Lee, Samuel Kai Wah Chu, Celina Wing Yi Lee, Monroe Man-Lung Chiu, Randolph C. H. Chan

Notice bibliographique

RevueJournal of Librarianship and Information Science · 2015
Typearticle
Langueen
DomaineComputer Science
ThématiqueInformation Retrieval and Search Behavior
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPoint (geometry)Computer scienceInformation literacyInformation retrievalPsychologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

This study aims to investigate how expert scaffolded training could help, from novice postgraduate students’ point of view, and foster development of information search ability among postgraduate students. Using a quasiexperimental design over a year and a half, eight doctoral students (novice searchers) participated in a series of five sessions with an expert searcher who was an information professional. A novice-expert comparison examined the differences between novices and experts in information searching; and the effect of scaffolding sessions in which the expert information searcher helped novice information searchers was examined. Findings showed differences existed between the novice and the expert searchers in use of complex formulation of query statements, choice of keywords, and operators. Scaffolding sessions with the expert searcher resulted in self-reported and observable improvement in information searching among the novice searchers. The paper concludes with a discussion of the design of information retrieval systems and recommendations for library programmes to support the continued development of research students’ information literacy skills.

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)0,005
score de la tête « metaresearch » (Gemma)0,052
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 enseignants0,005
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,052
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,077
Tête enseignante GPT0,300
Écart entre enseignants0,222 · 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

Citations6
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Librarianship and Information ScienceMême sujetInformation Retrieval and Search BehaviorTravaux en français237 207