Assessment on a Dime: Low Cost User Data Collection for Assessment
Notice bibliographique
Résumé
Abstract Objective – This article describes the construction and use of a low cost tool for capturing user demographics in a physical library. Methods – At the Health Sciences Library of Columbia University Irving Medical Center, we created the Tap In/Tap Out tool to learn about the demographic details of our library visitors, such as their status, school affiliation, and department. The Tap In/Tap Out tool was implemented twice for two weeks in 2013 and 2017, with users voluntarily tapping their campus ID when entering and leaving the library. We checked campus ID numbers against university databases to fill in demographic details of the library users. Results – We constructed the Tap In/Tap Out tool using a Raspberry Pi and RFID card readers mounted on a foam board poster and placed near the library entrance. Participation in the Tap In/Tap Out tool ranged from 5-7% of the library gate count numbers during the survey periods. Though low, this participation provided a useful indication of user demographics that helped to strengthen library discussions with university administration. The 2013 survey results, which showed that the library space was actively used by students from all the constituent Medical Center schools, were used to support funding justifications. The 2017 survey results, which showed continued library usage, were used to illustrate the value of the library to the Medical Center community. Conclusion – The Tap In/Tap Out tool was inexpensive to implement and provided more information about library visitors than gate counts alone. Findings from the Tap In/Tap Out results were used to demonstrate library usage and justify funding. We describe how other libraries might create and implement the tool to capture greater levels of detail about the users visiting their spaces.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,316 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».