Data Literacy Proficiency and Its Importance
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
In this poster, we report preliminary results from a survey of academic librarians in the U.S. and Canada on their perception of data literacy for their work practice. Our survey was distributed in August 2022 to librarians from member libraries of the Association of Research Libraries, Canadian Association of Research Libraries, Oberlin Group, as well as through various LIS listservs. We received 338 valid responses. Our focus is on the impact of library membership, librarians’ educational backgrounds, and percent of data work on librarians’ perception of the importance of various areas of data literacy. Significant library membership differences occurred both in the percentage of their job involving data-related tasks (H(3) = 9.146, p = .027), with ARL librarians having the highest mean rank, and in respondents’ importance rating on research data principles (H(3) = 10.534, p = .015), with CARL librarians having the highest mean rank. Librarians who had a non-MLS degree rated their data proficiency as significantly higher than respondents with MLS and another degree and people with only an MLS degree (H(2) = 8.815, p = .012). Percentage of data-related work was positively correlated with self-rated data proficiency (rho(n = 253) = .641, p = .000), the level of data literacy needed (rho(n = 262) = .352, p = .000), and various importance ratings of data literacy areas including programming skills (rho(n = 251) = .268, p = .000) and data processing & visualization (rho(n = 253) = .185, p = .003). Further analysis is currently in progress.
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 | 0,004 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| 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 découle