User Education Practices on Utilization of Electronic Resources at the Kenya Revenue Authority Library, Nairobi
Notice bibliographique
Résumé
This paper is slightly adapted from my master’s thesis. It addresses the first objective which was to determine the types of user education practices on the utilization of electronic resources at the Kenya Revenue Authority (KRA) library. The purpose of this paper was to assess how user education practices are planned, organized and implemented at the KRA Library in response to the challenge of orientation, training and instructing users on the use of information sources and services. User education is a life-long process that has no end. While seeking information services of a library, users need education to effectively use library resources, facilities and services. This ensures that users are aware of the available resources and how to access them to support their needs. However, electronic resources in organizations may not be fully utilized as a result of inadequate user education practices. The ultimate goal of librarians and libraries is to educate users to discover their information needs, encourage and motivate them to use library resources and services. The user is the most important component in a library or information system and is the last link or receiver of information in the communication cycle. The descriptive research design was used while both quantitative and qualitative approaches were used in this study. The census technique was applied to select the sample size from the study population. The study established that the types of user education programmes practiced at the KRA library include library orientation and bibliographic instruction among others. It recommends for extension of user education programs, frequent user surveys and integration of user education with collaborative library activities.
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 | 0,000 |
| 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 | 0,000 | 0,002 |
| 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 ».