Assessing the Impact of an Information Literacy Course on Students' Academic Achievement: A Mixed-Methods Study
Notice bibliographique
Résumé
Objective – The aim of this study is to demonstrate the impact of a stand-alone, credit-bearing information literacy course on retention and GPA for students at an open access urban college. Methods – Researchers conducted a mixed-methods study with a two-part focus. The first examined the impact of a credit-bearing course using propensity score matching (PSM) techniques to compare academic outcomes for students who participated in the course versus outcomes for similar students who did not enroll in the course. Multiple regression analyses were conducted to measure impact on GPA and performance in 100-level introductory English general education courses. Logistic regression analysis was used to determine persistence one year after enrolling in the course. The second part utilized a questionnaire to survey students of this targeted group to determine impact of the course on their information-seeking behaviour in subsequent academic courses and for non-academic purposes. Results – The quantitative analyses showed: (a) a higher GPA, though slight, for students who have taken the course over the matched comparison group; (b) an increase in persistence for students who have taken the course over the matched comparison group after one year of taking the course; but (c) lower performance in 100-level introductory English courses by students who have taken the course in contrast to the matched comparison group. Qualitative data provided through the questionnaire revealed positive and substantive reflective statements that support learning outcomes of the course. Conclusion – The findings in this study underscored the importance of a stand-alone, credit-bearing information literacy course for undergraduate students, particularly for first-generation students attending an open access urban institution. The findings also demonstrate the academic library’s contribution to institutional retention efforts in support of students’ academic success.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».