MétaCan
Menu
Retour à la cohorte
Enregistrement W2999155062 · doi:10.1108/rsr-09-2019-0064

Fake or for real? A fake news workshop

2020· article· en· W2999155062 sur OpenAlexaff
Katherine Hanz, Emily Kingsland

Notice bibliographique

RevueReference Services Review · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésInformation literacyOriginalityVariety (cybernetics)InstitutionValue (mathematics)Digital literacyLibrary instructionSociologyLiteracyDigital mediaPublic relationsComputer scienceLibrary sciencePedagogyWorld Wide WebPolitical scienceSocial science

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper seeks to provide an in-depth overview of a series of fake news information literacy library workshops, which were offered 19 times over the course of 2 years. It examines the results of a fake news game, which was played with a wide variety of audiences. Design/methodology/approach This case study examines workshops offered by two librarians at [name of institution], a major research institution in [city], [country]. It describes the workshops in detail and demonstrates how others may adopt this model. Findings The authors found that while high school students proved to be the most adept at recognizing fake news, the literature suggests that mere exposure to digital media is not sufficient in preparing Generation Z in their digital literacy critical assessment skills. Practical implications Library and information professionals are provided with the tools to adapt this workshop to suit the needs of their respective users. Originality/value This paper examines how a workshop can be adapted to seven unique audiences, spanning from high school students to university alumni. It incorporates the Association of College and Research Libraries framework and the latest literature into informing its practice.

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)0,015
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,044
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,003
Communication savante0,0060,005
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,206
Tête enseignante GPT0,426
Écart entre enseignants0,219 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReference Services ReviewMême sujetMisinformation and Its ImpactsTravaux en français237 207