Crowdsourcing Practices in Academic Libraries in Nigeria
Notice bibliographique
Résumé
Objective – In this study, we investigated the utilization of crowdsourcing practices among academic librarians in Nigeria, encompassing all 36 states across the 6 geopolitical zones of the country. Methods – We employed the descriptive survey design. The target population consisted of academic librarians who were members of the national professional online group of the association known as the NLA where scholars shared professional thoughts and advancements. Results – The findings revealed a high level of awareness about crowdsourcing among academic librarians, with their experiences spanning various areas such as knowledge discovery and management (RII = 0.76), broadcast search (RII = 0.63), the distribution of human intelligence tasking (RII = 0.62), and peer-vetted creative production (RII = 0.59). In terms of the extent of practice, electronic document exchange services received the highest relative importance index score (RII = 0.73), followed closely by e-payment platforms (RII = 0.73). The findings also indicated that crowdsourcing is considered beneficial for collection development (RII = 0.68) and is perceived to be useful in the procurement of new items for the library (RII = 0.67). However, the study identified inadequate institutional support (RII = 0.91) as the foremost challenge impeding the adoption and implementation of crowdsourcing practices in academic libraries in Nigeria. Other challenges included inadequate electricity supply and unstable Internet network systems in Nigeria which has hindered full deployment of crowdsourcing in academic library settings in the country. Conclusion – This study emphasized the importance of the adoption and implementation of crowdsourcing practices in academic libraries in Nigeria. Addressing challenges related to institutional support, electricity supply, and Internet connectivity is crucial to creating an enabling environment for successful crowdsourcing initiatives.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».