Training for Academic Librarians in Assistive Technologies (AT) Requires Higher Priority and Targeted Funding
Notice bibliographique
Résumé
A Review of: Munyoro, J., Machimbidza, T., & Mutula, S. (2021). Examining key strategies for building assistive technology (AT) competence of academic library personnel at university libraries in Midlands and Harare provinces in Zimbabwe. The Journal of Academic Librarianship, 47(4), Article 102364. https://doi.org/10.1016/j.acalib.2021.102364 Objective – To explore strategies for building up library worker abilities in assistive technology (AT) for inclusive implementation. The primary focuses of the study’s interviewing included the extent of existing training, the challenges of funding and executing this type of training, and any notable strategies for creating greater access to high-quality AT training. Design – A qualitative exploratory study of library workers. Setting – Three academic libraries in Zimbabwe. Subjects – Thirty library workers comprised of Senior Library Assistants, Administrative Assistants, and Assistant Librarians. Methods – The researchers conducted semi-structured interviews confidentially over WhatsApp and telephone. They then conducted thematic analysis on the results. Main Results – Exposure to AT training for academic librarians in Zimbabwe is low. Of the 30 librarians interviewed, only 13 had been exposed to any formal AT training. Of those 13, 12 scored their AT training experience as “not very effective.” Primary challenges listed included lack of AT experts as trainers, not enough funding, and ignorance around disability issues. Conclusion – To improve AT expertise in academic librarians, suggestions included integrating AT training into LIS professional education, and for those already in the profession to establish partnerships across academic departments to perhaps leverage more professional AT training across campus. There was also a noted suggestion that hands-on exposure is more beneficial than passive training.
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 | 0,013 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,015 | 0,012 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,014 |
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.
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 ».