MétaCan
Menu
Retour à la cohorte
Enregistrement W3024777414 · doi:10.20961/arst.v18i1.40967

Preferensi Pengunjung Mahasiswa Generasi Z Masa Kini Terhadap Atribut Learning Space di Perpustakaan Akademik

2020· article· en· W3024777414 sur OpenAlexfundno aff
Akhmadi Akhmadi, Niken Laksitarini, Ganesha Puspa Nabila

Notice bibliographique

RevueArsitektura · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueEdcuational Technology Systems
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Waterloo
Mots-clésVisitor patternPreferenceSpace (punctuation)Class (philosophy)SociologyPsychologyMathematics educationLibrary scienceComputer scienceMathematicsArtificial intelligenceStatistics

Résumé

récupéré en direct d'OpenAlex

Most of the current university students are born in Z Generations (1995-2010). Z Generations are unique, especially on their behavior and determining what they like. It included when they want to study around the area of their university. One of the most common study on universities is the academic library. The current academics library are also demanded to be able on adapting and presenting what Z generations want. The ideal academics library can accommodate the learning activities of this generation. This study aims to find the preferences of Z Generations in determining any learning space which come from the library. It also determining the frequency, duration, favorite floor and with whom visitor usually come to library. This preference refers to the theory of learning space attribute. The research method uses quantitative methods by using the survey and questionnaire of 185 students at the ITB, ITS and Unpad. The results showed that Z generations students agreed with the order of preference theory in learning space attribute. This means the academic librarys on university recently should refer to the theory of learning space attribute, so the library can increase the level of the visitors.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0200,003

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 Opus0,028
Tête enseignante GPT0,228
Écart entre enseignants0,200 · 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'étudeObservationnel
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

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArsitekturaMême sujetEdcuational Technology SystemsTravaux en français237 207