Engaging health sciences librarians on data ethics: case study on a pilot curriculum
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Ethical decision-making regarding data collection, visualization and communication is of growing importance to librarians. Data ethics training opportunities for librarians, however, are uncommon. To fill this gap, librarians at an academic medical center developed a pilot data ethics curriculum for librarians across the US and Canada. Case Presentation: Three data librarians in a health sciences library developed a pilot curriculum to address perceived gaps in librarian training for data ethics. One of the team members had additional academic training in bioethics, which helped to provide an intellectual foundation for this project. The three-module class provided students with an overview of ethical frameworks, skills to apply those frameworks to data issues, and an exploration of data ethics challenges in libraries. Participants from library schools and professional organizations were invited to apply. Twenty-four participants attended the Zoom-based classes and shared feedback through surveys taken after each session and in a focus group after the course's conclusion. Discussion: Responses to the focus group and surveys indicated a high level of student engagement and interest in data ethics. Students also expressed a desire for more time and ways to apply what was learned to their own work. Specifically, participants indicated an interest in dedicating time for networking with other members of their cohort, as well as more extensive discussion of class topics. Several students also suggested creating concrete outputs of their thoughts (e.g., a reflective paper or final project). Finally, student responses expressed a strong interest in mapping ethical frameworks directly to challenges and issues librarians face in the workplace.
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.
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 | 0,029 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,027 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle