Notice bibliographique
Résumé
Seniors are amongst the most digitally excluded in Australia. Despite the increasing popularity of social media, seniors often lack access to technology and to basic digital skills. Thus many seniors do not derive the social benefits and service realisation that arise from online forms of communication and engagement. One barrier to digital inclusion for seniors is learning how to make use of digital and online tools in a way that incorporates their specific needs, interests and capabilities.
 The 60+ Online project fostered digital inclusion amongst 22 Australian seniors with varied digital skills and from diverse socio-economic and cultural backgrounds. Within workshops, researchers encouraged seniors to learn basic digital skills, addressed seniors’ concerns about confidentiality and privacy, and introduced them to safe and regulated online social media platforms. Seniors were encouraged to draw upon personal and community interests to inform storyboarding and digital story development. Digital stories were generated and edited using personal mobile technology. Social media sites (a closed Facebook page and personal Instagram accounts) facilitated sharing of digital skills development and experiences outside the workshops. Regardless of digital skill levels at outset, every senior who completed the workshops ‘graduated’, and produced their own digital story. These digital stories were showcased at festivals, City Council events, and hosted on YouTube.
 This article outlines the framework used for this project, from the first co-design workshop to YouTube dissemination. We provide links to workshop resources and tools (iPads, smartphones and apps used) in order to provide a model for digital inclusion that may be replicated for other disadvantaged or vulnerable groups in diverse community-based settings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».