Using a Social Robot for Student Outreach in an Engineering and Computer Science Library.pdf
Notice bibliographique
Résumé
In 2021, the Engineering & Computer Science Library at the University of Toronto purchased a MiRo-E robot (from Consequential Robotics) as part of a grant. The robot was the centerpiece of a hybrid online and in-person programming contest we held as part of our student outreach. Students of the Faculty of Applied Science & Engineering and Department of Computer Science developed code to create interactive behaviour for the robot using the online simulation software MiRoCLOUD, and their code was judged by a panel of librarians, staff, and faculty. Given the cute, zoomorphic, interactive nature of the MiRo-E robot, we also engaged students and staff with a Name that Robot Contest and held meet and greets that students described as being like therapy dog sessions run by other libraries. In this presentation, we will discuss our library’s experience with using MiRo-E as a tool for outreach to STEM students. This will include an overview of how the MiRo-E robot works, the software and hardware involved in its operation, and some possible applications of the robot in an academic library setting. We will also discuss our experience with running the programming contest as a hybrid event, as well as how we approached facilitation and judging of this event with a team who has varying degrees of coding knowledge. Finally, we will discuss the challenges we faced with using MiRo-E as an outreach tool.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,141 | 0,047 |
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 ».