Empowering communities through data literacy: a qualitative study exploring Indigenous Australian perceptions, engagement and understanding of data
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
Data literacy is an essential competency needed to use data to inform decisions and participate in contemporary society. Importantly, in the context of Indigenous health it enables engagement with health services and facilitates health management, Indigenous data sovereignty and Indigenous data governance. However, while Indigenous data sovereignty and Indigenous data governance are gaining momentum globally, there are no mechanisms for understanding or enhancing data literacy within Indigenous communities. To explore this, a research project was co-designed between the QUT Centre for Data Science and the Aboriginal and Torres Strait Islander Community Health Service Brisbane (ATSICHS), a community-controlled health service in Queensland Australia, to provide insights into the current state of data literacy, community perceptions of data, and identify community suggestions for enhancing data literacy. Furthermore, by utilizing an Indigenist research design, the project ensured Aboriginal and Torres Strait Islander Peoples’ ways of knowing, being, and doing were privileged and prominent throughout research design, data collection and analysis. The qualitative study included 20 semi-structured interviews with Brisbane Aboriginal and/or Torres Strait Islander Peoples who had accessed or engaged with ATSICHS. This paper presents insights into Aboriginal and Torres Strait Islander Peoples’ perspectives on data and data literacy, which may benefit community-controlled organizations and other Indigenous communities within Australia and around the world.
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 | 0,025 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,084 |
| Science ouverte | 0,011 | 0,014 |
| 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