Using Social Media to Create Virtual Interest Groups in Hospital Libraries
Notice bibliographique
Résumé
Social networking has positively impacted the realm of human interactivity. Although libraries have traditionally been viewed as a place for research and information seeking, Web 2.0 technologies, such as blogs and Instant Messaging (IM), are starting to change users’ experiences of current library services. In this study we aim to examine whether the opportunity for enhanced researcher-librarian interaction that Web 2.0 tools provide creates a synergistic experience for health research interest groups. In addition, we will explore whether these tools increase efficiency in obtaining information and/or improve quality and quantity of research evidence. This study was conducted by two hospital librarians working in tertiary hospitals. An email was distributed to the health care professionals from these two sites, inviting participation in two online research interest groups: Clinical Practice Guidelines and Patient Safety. A pre-survey of participants was intended to assess the comfort level of this group with Web 2.0 tools and to gauge their level of use both professionally and personally. We created a Virtual Interest Group (VIG) environment to incorporate the following Web 2.0 tools into the existing library website: user blogs, enabling commenting to facilitate a knowledge-sharing atmosphere; chat software to assist with easy access to acquired information; and Delicious tagging for a more systematic documentation of grey literature. A post-survey was conducted three months later in order to re-evaluate the participants’ experiences with social media, in particular with the online interest group environment. Findings from this study can be used to highlight future trends around the discoverability of grey literature with social media tools and to establish a basis for integrating Web 2.0 tools in library websites and services.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».