MétaCan
Menu
Retour à la cohorte
Enregistrement W3175798363 · doi:10.18438/eblip29923

Acceptable and Unacceptable Uses of Academic Library Search Data: An Interpretive Description of Undergraduate Student Perspectives

2021· article· en· W3175798363 sur OpenAlexvenueno aff
Laura W. Gariepy

Notice bibliographique

RevueEvidence Based Library and Information Practice · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLibrary Science and Administration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData collectionQualitative propertyAccountabilityQualitative researchComputer scienceThe InternetHigher educationPsychologyMathematics educationWorld Wide WebSociologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Objective – This article presents findings about undergraduate student attitudes regarding search data privacy in academic libraries. Although the library literature includes many articles about librarian perceptions on this matter, this paper adds rich, qualitative evidence to the limited research available about student preferences for how libraries should handle information about what they search for, borrow, and download. This paper covers acceptable and unacceptable uses of student search data based on American undergraduate student perspectives. This is an important area of study due to the increasingly data-driven nature of evaluation, accountability, and improvement in higher education, which relies on individual-level student data for learning analytics. These practices are sometimes at odds with libraries’ longstanding commitment to user privacy, which has historically limited the amount of data collected about student use of materials. However, libraries’ use of student search data is increasing. Methods – This qualitative study was approached through interpretive description, a rigorous qualitative framework for answering practical research questions in an applied setting or discipline. I employed the constant comparative method of data collection and analysis to conduct semi-structured interviews with 27 undergraduate students at a large, American, urban public research institution. Interviews included questions as well as vignettes: short scenarios designed to elicit response. Through inductive coding, I organized the data into interpretive themes and subthemes to describe student attitudes. Results – Participants viewed academic library search data as less personally revealing than internet search data. As a result, students were generally comfortable with libraries collecting search data so long as it is used for their benefit. They were comfortable with data being used to improve library collections and services, but were more ambivalent about use of search data for personalized search results and for learning analytics-based assessment. Students had mixed feelings about using search data in investigations related to criminal activity or national security. Most students expressed a desire for de-identification and user control of data. Students who were not comfortable with their search data being collected or used often held their convictions more strongly than those who found the practice acceptable, and their concerns were often related to how data might be used in ways that harm members of vulnerable groups. Conclusion – The results of this study suggested that librarians should further explore student perspectives about search data collection in academic libraries to consider how and if they might adjust their data collection practices to be respectful of student preferences for privacy, while still meeting evaluation and improvement objectives. This study also introduces the qualitative framework of interpretive description to the library and information science literature, promoting use of this applied qualitative approach, which is well-suited to the practical questions often asked in library research studies.

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)0,059
score de la tête « metaresearch » (Gemma)0,090
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,987
Score d'incertitude au seuil0,314

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,090
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,006
Études des sciences et des technologies0,0100,016
Communication savante0,0130,008
Science ouverte0,0020,014
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,063
Tête enseignante GPT0,372
Écart entre enseignants0,309 · 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.

Devis d'étudeQualitatif
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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEvidence Based Library and Information PracticeMême sujetLibrary Science and AdministrationTravaux en français237 207