MétaCan
Menu
Retour à la cohorte
Enregistrement W3193846972 · doi:10.1108/jd-03-2021-0049

Wikipedia: an unexplored resource for understanding consumer health information behaviour in library and information science scholarship

2021· article· en· W3193846972 sur OpenAlexaff
Denise Smith

Notice bibliographique

RevueJournal of Documentation · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWikis in Education and Collaboration
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésResource (disambiguation)ScholarshipComputer scienceMedical libraryInformation seekingInformation behaviorSociologyConceptual frameworkRelation (database)LaypersonConceptual modelSituatedKnowledge managementData scienceSocial scienceInformation retrievalLibrary sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Purpose To date, health information behaviour (HIB) models have not been applied to an exploration of Wikipedia as a consumer health information resource. Wikipedia has been situated and is well established as a valuable resource for the general layperson wishing to learn more about their health or the health of a loved one. This paper aims to identify an approach to exploring the role of Wikipedia in consumer health information behaviour (CHIB) that is grounded in a conceptual framework from the library and information science (LIS) discipline. Design/methodology/approach The author draws on current HIB models and relevant theories from existing LIS literature and applies them to propose a new definition of CHIB. The author uses this definition to frame Wikipedia as an unexplored consumer health information resource in the LIS scholarship and suggests future directions for placing such investigations within a conceptual framework from LIS. Findings The paper finds that Longo's expanded conceptual model of health information-seeking behaviour (ECMHISB) could be valuable and useful for the exploration of CHIB in relation to Wikipedia's health and medical content. Due to Wikipedia's online nature, research framed by these models must acknowledge and take under consideration the digital divide phenomenon and various factors that influence an individual's place within it. Research limitations/implications This work builds a foundation upon which future research into the role of Wikipedia's health and medical content in CHIB can be grounded. Using Longo's model, future research might provide insight into who Wikipedia is helping and who it has left behind. LIS scholars, practicing health librarians and perhaps health workers stand to gain a deeper understanding of the potential influence of Wikipedia's health information on its consumers. Originality/value For LIS scholars, this paper is novel in the fact that a HIB model has not yet been applied to the study of Wikipedia's health content. This paper provides a foundation for this 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 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)0,006
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,023
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,005
Études des sciences et des technologies0,0030,010
Communication savante0,0090,016
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,045
Tête enseignante GPT0,380
Écart entre enseignants0,335 · 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'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

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of DocumentationMême sujetWikis in Education and CollaborationTravaux en français237 207