MétaCan
Menu
Retour à la cohorte
Enregistrement W2619805335 · doi:10.17821/srels/2015/v52i1/57554

Adaptive Facilities for Supporting Differently-abled Persons in the Library Environment: A Case Study of Libraries in Shillong, Meghalaya, India

2015· article· en· W2619805335 sur OpenAlexaff
Bikika Laloo, Learner Kharmyndai

Notice bibliographique

RevueSRELS Journal of Information Management · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban and Rural Development Challenges
Établissements canadiensScience North
Organismes subventionnairesnon disponible
Mots-clésBrailleProcess (computing)Variety (cybernetics)Library scienceBusinessComputer scienceOperating system

Résumé

récupéré en direct d'OpenAlex

The differently-abled are emerging as a force that cannot be ignored today. While the capabilities of many of these are almost at par with and sometimes even surpass those of the 'abled', their special needs cannot also be denied. Public institutions of all kinds have geared up or are in the process of gearing up to facilitate the smooth movement and functioning of this group, with a variety of facilities, from general ones such as crutches, elevators, ramps, braille, hearing aids etc. to more specialized ones such as CUPID, Dexter etc. Libraries worldwide have also put many of these adaptive facilities in place. This study set out to explore whether libraries in Shillong, North East India, provide adaptive facilities for supporting the differently-abled. The study found that the libraries in Shillong are grossly under-equipped in this regard and that excuses abound. Reasons for not having adaptive facilities for the differently-abled range from lack of funds to 'absence of differently-abled patrons'- a claim that exposes the lack of planning on the part of the libraries. It was found however, that some Library staff members do realize the significance of the differently-abled and the need for facilitating their functioning in the Library environment.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0100,004
Communication savante0,0040,002
Science ouverte0,0020,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,054
Tête enseignante GPT0,271
Écart entre enseignants0,217 · 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'étudeQualitatif
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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSRELS Journal of Information ManagementMême sujetUrban and Rural Development ChallengesTravaux en français237 207