MétaCan
Menu
Retour à la cohorte
Enregistrement W3094254716 · doi:10.1002/pra2.288

Amplifying chance for positive action and serendipity by design

2020· article· en· W3094254716 sur OpenAlexaff
Sarah A. Buchanan, Sabrina Sauer, Anabel Quan‐Haase, Naresh Kumar Agarwal, Sanda Erdelez

Notice bibliographique

RevueProceedings of the Association for Information Science and Technology · 2020
Typearticle
Langueen
DomaineDecision Sciences
ThématiquePersonal Information Management and User Behavior
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésSerendipityAffordanceCreativityVariety (cybernetics)Action (physics)Focus (optics)IdeationComputer scienceKnowledge managementPsychologyEngineering ethicsData scienceHuman–computer interactionEngineeringEpistemologyCognitive scienceSocial psychologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract In recent years, there has been an increased focus on information encountering and serendipity within information behavior research and practice. Serendipity has the potential to facilitate creativity and innovation in various spheres, including in libraries, archives and museums. However, do we wait for chance to occur, or can serendipity be designed and facilitated? What are the characteristics of systems that support serendipitous discovery, and what methods can be used to study its occurrence? Extending and building on the concepts and definitions introduced at a 2016 ASIS&T Annual Meeting panel led by Erdelez, we feature in this 40‐min panel innovative work that creates opportunities for discovery within research spaces. Attendees engage through an interactive two‐part discussion and a hands‐on ideation session on impacts and guidelines for systems designed to facilitate serendipity, emphasizing sustainable, accessible researcher and user experiences. Presenters focus on the role of socio‐technical constraints and affordances to inform systems' design in a variety of research contexts, each contributing expertise in navigating particular issues in serendipity research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,365
Score d'incertitude au seuil0,727

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,005
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,175
Tête enseignante GPT0,387
Écart entre enseignants0,212 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Association for Information Science and TechnologyMême sujetPersonal Information Management and User BehaviorTravaux en français237 207