Understanding EBLIP at an Organizational Level: An Initial Maturity Model
Notice bibliographique
Résumé
Abstract Objective - Existing research around evidence based practice in the LIS (library and information science) professional context over the past two decades has captured the experience of individual practitioners, rather than the organization as a whole. Current models of evidence based library and information practice (EBLIP) relate to, and apply predominantly to, individuals or specific scenarios. Yet despite a growing demand from institutional and library leaders for evidence to demonstrate why investments in libraries should continue, little is known about how an organization can enhance its maturity in evidence based practice. This paper addresses this gap by seeking to understand what an evidence based university library looks like and answering the questions: how does a university library leader know the library’s service and practice is evidence based? How can a university library measure and progress its maturity in evidence based practice? Methods - Sixteen semi-structured interviews were conducted with library professionals employed at Australian and New Zealand university libraries. Transcripts were analyzed using thematic analysis techniques. The interviews, combined with a literature review and environmental scan of evidence based practices in university libraries, informed the development of a draft capability maturity model as a framework for developing evidence based practice in university libraries. Results - The model identifies and describes characteristics at five different levels of evidence based practice maturity from least mature (Ad hoc/Sporadic) to most mature (Transforming). Three dimensions of experience help to define the characteristics at each level of maturity and provide a framework to understand how a university library might develop its organizational capacity in evidence based library and information practice. Conclusion - Library leaders and practitioners will benefit from the model as they seek to identify and build upon their evidence based practice maturity, enabling more robust decision-making, a deeper understanding of their clients and demonstration of value and impact to their stakeholders.
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 | 0,001 | 0,004 |
| 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 | 0,000 | 0,239 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».