Développement dela littératie des données dans les hackathons: une perspective de la théorie de l’activité
Notice bibliographique
Résumé
La littératie des données est essentielle dans une société numérique. Bien que les hackathons soient reconnus comme des environnements prometteurs pour s’engager avec les données, on sait peu de choses sur la manière dont ils soutiennent le développement de la littératie des données. En utilisant la théorie de l’activité, cette étude conceptualise les hackathons comme des systèmes d’activité socio-techniques et examine comment les connexions entre les participants, la communauté, les don nées et les outils influencent le développement de la littératie des données. Nous avons mené une étude phénoménologique avec des données provenant de 26 en tretiens avec des participants et des organisateurs de hackathons. Trois résultats importants ont émergé de cette étude. Premièrement, la provenance et la qualité des données façonnent l’engagement: les données collectées par les participants ou générées par des appareils augmentent l’engagement, tandis que les données fournies par les organisateurs le limitent. Deuxièmement, l’accès restreint aux données réelles conduit à l’utilisation de données simulées, ce qui peut entraver le développement de compétences analytiques avancées. Troisièmement, les besoins en mentorat varient selon le niveau d’expérience des participants aux hackathons. Cet article offre une contribution théorique en expliquant les mécanismes par lesquels les interactions socio-techniques dans les hackathons promeuvent le développement des compétences en littératie des données.
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 | 0,055 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,013 |
| Études des sciences et des technologies | 0,008 | 0,014 |
| Communication savante | 0,019 | 0,031 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».