Retour sur le Référentiel de l’ACRL avec ceux qui l’ont créé
Bibliographic record
Abstract
Cet entretien avec les deux bibliothécaires américains qui ont coprésidé le groupe de travail qui a mené à la création du Référentiel de littératie informationnelle en enseignement supérieurde l’Association of College & Research Libraries (ACRL 2016) revient sur la démarche de création ainsi que la réception qu’a connu ce document depuis sa publication il y a cinq ans. Les auteurs rappelent les principaux débats conceptuels qui ont façonné le Référentiel et proposent une typologie des courants actuels de la littératie informationnelle, donnant ainsi à voir les enjeux qui informent l'évolution des différentes conceptions du rôle pédagogique des bibliothécaires dans le milieu de l’enseignement supérieur d’hier à aujourd’hui. Cet entretien est une traduction en français de la version originale en langue anglaise.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.003 | 0.012 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".