Combining SIFT and the Information Needs, Types, and Qualities Approaches: A Framework-Informed Strategy for Information Literacy Instruction
Notice bibliographique
Résumé
Increasingly, librarians are encouraged to deliver information literacy sessions that go beyond finding and using traditional scholarly sources. They are asked to cover a wider range of the information ecosystem and develop students’ capacity to critically engage with Google and the open web. In this study, we incorporated these learning objectives in an introductory computational thinking course, combining two information literacy pedagogies. For evaluating sources, we used Mike Caulfield’s SIFT technique (Stop, Investigate the source, Find better coverage; Trace claims to the original source); for resource discovery, Lane Wilkinson’s Information Needs, Types and Qualities lesson. We adapted Wilkinson’s worksheet, asked students to apply the SIFT technique to their chosen sources, and added a reflection component where students documented their research process. We conducted a content analysis of the assignment responses and coded evidence of students demonstrating knowledge practices and dispositions of two frames from the ACRL Framework, Authority is Constructed and Contextual and Searching as Strategic Exploration. Our analysis showed that students responded well to learning the SIFT technique, particularly at investigating sources; furthermore, Wilkinson’s pedagogy for source discovery encouraged students to use a wide variety of research tools. The reflection component further revealed evidence of students’ research processes and metacognition. We found this unit to be an effective means of assessing these Framework concepts, and argue that it can be applied to other topics and disciplines.
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 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 | 0,009 | 0,003 |
| 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 | 0,007 | 0,000 |
| Communication savante | 0,005 | 0,017 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».