MétaCan
Menu
Retour à la cohorte
Enregistrement W4220997307 · doi:10.18438/eblip30017

Federal Library Utilization of LibGuides to Disseminate COVID-19 Information

2022· article· en· W4220997307 sur OpenAlexvenueno aff
Sarah Clarke, Emily E. Shohfi, Sharon Han

Notice bibliographique

RevueEvidence Based Library and Information Practice · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMisinformation and Its Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocial mediaPandemicCoronavirus disease 2019 (COVID-19)Information DisseminationGovernment (linguistics)DisseminationOutbreakMedicineLibrary scienceInternet privacyInfectious disease (medical specialty)World Wide WebDiseaseComputer scienceVirology

Résumé

récupéré en direct d'OpenAlex

Objective – In winter 2019-2020, the world saw the emergence of coronavirus disease (COVID-19), caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). More than a year later, the pandemic continues with the U.S. death toll surpassing 550,000. Over the last decade, librarians have increased their roles in infectious disease outbreak response. However, no existing literature exists on use of the widely-used library content management platform, LibGuides, to respond to infectious disease outbreaks. This research explores how Federal Libraries use LibGuides to distribute COVID-19 information throughout the ongoing COVID-19 pandemic. Methods – Survey questions were created and peer-reviewed by colleagues. Survey questions first screened for participant eligibility and collected broad demographic information to assist in identifying duplicate responses from individual libraries, then examined the creation, curation, and maintenance of COVID-19 LibGuides. The survey was hosted in Max.gov, a Federal Government data collection and analysis tool. Invitations to participate in the survey were sent via email to colleagues and listservs and posted to personal social media accounts. The survey was made publicly available for three weeks. Collected data were exported into Excel to clean, quantify, and visualize results. Long form answers were manually reviewed and tagged thematically. Results – Of the 78 eligible respondents, 42% (n = 33) reported that their library uses LibGuides to disseminate COVID-19 information; 45% of these respondents said they spent 10+ hours creating their COVID-19 LibGuide, and 60% of respondents spent <1 hour a week on maintenance and updates. Most LibGuides were created in early spring 2020 as the U.S. first saw an uptick in COVID-19 cases. For marketing purposes, respondents reported using web/internal announcements (75%) and email (50%) most frequently. All respondents reported inclusion of U.S. Government resources in their COVID-19 LibGuides, and a majority also included guidelines, international websites, and databases to inform their user communities. Conclusion – Some Federal Libraries use LibGuides as a tool to share critical information, including as a tool for emergency response. Results show libraries tend to start from scratch and share the same resources, duplicating efforts. To improve efficiency in LibGuide curation and use of library staff time, one solution to consider is the creation of a LibGuides template that any Federal Library can use to quickly set up and adapt an emergency response LibGuide specifically for their users. Additionally, findings show that libraries are uncertain of archiving and preservation plans for their guides post-pandemic, suggesting a need for recommended best practices.

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)0,008
score de la tête « metaresearch » (Gemma)0,029
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,994
Score d'incertitude au seuil0,126

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,029
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0050,006
Études des sciences et des technologies0,0040,001
Communication savante0,0060,004
Science ouverte0,0010,006
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0380,014

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 Opus0,040
Tête enseignante GPT0,342
Écart entre enseignants0,302 · 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'étudeObservationnel
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEvidence Based Library and Information PracticeMême sujetMisinformation and Its ImpactsTravaux en français237 207