Exploring Topics and Genres in Storytime Books: A Text Mining Approach
Notice bibliographique
Résumé
Objective – While storytime programs for preschool children are offered in nearly all public libraries in the United States, little is known about the books librarians use in these programs. This study employed text analysis to explore topics and genres of books recommended for public library storytime programs. Methods – In the study, the researchers randomly selected 429 children books recommended for preschool storytime programs. Two corpuses of text were extracted from the titles, abstracts, and subject terms from bibliographic data. Multiple text mining methods were employed to investigate the content of the selected books, including term frequency, bi-gram analysis, topic modeling, and sentiment analysis. Results – The findings revealed popular topics in storytime books, including animals/creatures, color, alphabet, nature, movements, families, friends, and others. The analysis of bibliographic data described various genres and formats of storytime books, such as juvenile fiction, rhymes, board books, pictorial work, poetry, folklore, and nonfiction. Sentiment analysis results reveal that storytime books included a variety of words representing various dimensions of sentiment. Conclusion – The findings suggested that books recommended for storytime programs are centered around topics of interest to children that also support school readiness. In addition to selecting fictionalized stories that will support children in developing the academic concepts and socio-emotional skills necessary for later success, librarians should also be mindful of integrating informational texts into storytime programs.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,123 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».