What makes students tick? Exploring factors that affect learner motivations and challenges when engaging with optional library workshops on data literacy
Notice bibliographique
Résumé
Optional data literacy library workshops often struggle to achieve consistent high enrollment and attendance. In seeking strategies to mitigate these challenges, this qualitative study attempted to gain a better understanding of learner motivations and challenges when enrolling and attending optional data literacy instruction offered by a data library at a large university. Nineteen graduate students were interviewed. This study found four factors involved in motivating graduate students to enroll and attend optional library data literacy workshops. These factors, in the form of questions that graduate students would ask about the workshops, were: does the workshop address my need; does the workshop fit into my schedule; does the workshop satisfy my learning preferences; and are there health, emotional, or social aspects that could affect my workshop attendance. Based on these findings, several strategies to improve motivation and attendance were suggested, such as providing workshops at time of need, holding regular repeated sessions, presenting a mix of online and in-person offerings, and making workshops part of a social or networking event. • Interviewed students about their motivations to engage with data workshops • Students wanted workshops that met their research, course, or job hunt needs. • Students wanted online and in-person workshops that fit it into their schedules. • Students wanted workshops if there was a social element, such as food and drink. • Students didn't attend workshops due to illness, timing conflicts, or bad weather.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,018 |
| Science ouverte | 0,002 | 0,001 |
| 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 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 ».