Identifying and Classifying User Typologies Within a United Kingdom Hospital Library Setting: A Case Study
Notice bibliographique
Résumé
Objective – To identify available health library user typology classifications and, if none were suitable, to create our own classification system. This is to inform effective future library user engagement and service development due to changes in working styles, information sources and technology.
 
 Methods – No relevant existing user typology classification systems were identified; therefore, we were required to create our own typology classification system. The team used mixed methods research, which included literature analysis, mass observation, visualization tools, and anthropological research. In this case study, we mapped data across eleven library sites within NHS Greater Glasgow and Clyde Library Network, a United Kingdom (U.K.) hospital library service.
 
 Results – The findings from each of the NHS Greater Glasgow and Clyde Library Network’s eleven library sites resulted in six user typology categories: e-Ninjas, Social Scholars, Peace Seekers, Classic Clickers, Page Turners and Knowledge Tappers.
 
 Each physical library site has different profiles for each user typology. The predominant typology across the whole service is the e-Ninjas (28%) with typology characteristics of being technically shrewd, IT literate and agile – using the library space as a touch down base for learning and working.
 
 Conclusions – We identified six distinct user types who utilize hospital library services with distinct attributes based on different combinations of library activity and medium of information exchange. The typologies are used to identify the proportional share and specific requirements, within the library, of each user type to provide tailored services and resources to meet their different needs.
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 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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,406 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».