An Analysis of Anti-Fat Bias LibGuides: Are Libraries in the Thick of It?
Notice bibliographique
Résumé
Objective – This research investigates library research guides that share information about anti-fat bias to support weight-inclusive education or practice. By analyzing these guides, we seek to understand how academic librarians are engaging in this work and how they can continue to support weight inclusivity as educators, proponents of information literacy, and interdisciplinary partners. Methods – The authors searched for and screened publicly available LibGuides from academic libraries that included content about anti-fat bias, weight stigma, and/or body liberation. Relevant guides were then evaluated with an original framework to examine their content for insight about their target audience and context. Results – The authors identified and analyzed 36 relevant LibGuides, predominantly from college and university libraries. Thirty-three LibGuides came from institutions in the United States, and most of the institutions had at least one health sciences program, though eight offered no health-related programs. Thirty-two of the analyzed LibGuides presented anti-fat bias content in a tab within a larger guide, while the remaining few were standalone guides. The majority of guides with tab-level anti-fat bias content presented it as a social justice issue, though a few framed the content in a nutrition or other context. The most popular resource types offered in the guides were books, popular articles, videos, associations/organizations, and academic articles. Conclusion – Weight inclusivity discourse is growing across disciplines and is an area that librarians are well-situated to support. Presenting anti-fat bias as a social justice and diversity, equity, inclusion, and accessibility (DEIA) issue in libraries is promising and highlights library workers’ commitment to anti-oppression efforts and learning. Work remains to be done to integrate more anti-fat bias content into academic curricula and education, and librarians should look to engage with disciplinary educators, learners, and colleagues to grow and support this work, particularly in the context of the health sciences.
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 | 0,017 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,019 | 0,029 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».