Développement dela littératie des données dans les hackathons: une perspective de la théorie de l’activité
Bibliographic record
Abstract
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.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.055 | 0.188 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.012 | 0.013 |
| Science and technology studies | 0.008 | 0.014 |
| Scholarly communication | 0.019 | 0.031 |
| Open science | 0.004 | 0.012 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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 source (direct Gemma or distilled Codex), 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".