Archivo de la etiqueta: Alfabetización en datos

Alfabetización en datos con Yolanda Martín González. Planeta Biblioteca 2022/10/26.

Alfabetización en datos con Yolanda Martín González

Planeta Biblioteca 2022/10/26

ESCUCHAR PROGRAMA DE RADIO

Ir a descargar

Entrevistamos a Yolanda Martín, profesora de Información y Documentación de la Universidad de Salamanca que nos cuenta la importancia y el valor de los datos en la toma de decisiones, de la necesidad de alfabetización y concienciación en torno al depósito de los datos y su utilización en lo que denominamos Ciencia Abierta. Una ciencia más democrática y participativa que promete un futuro más sostenible.

Martín-González, Y. ., & Iglesias-Rodríguez, A. . (2022). Alfabetización en Datos en las bibliotecas-CRAI españolas: Análisis descriptivo y propositivo. Revista Española De Documentación Científica45(2), e322. https://doi.org/10.3989/redc.2022.2.1857

Fomentar la alfabetización en datos: la enseñanza con datos cuantitativos en las ciencias sociales

Ruediger, Dylan, et al. «Fostering Data Literacy: Teaching with Quantitative Data in the Social Sciences.» Ithaka S+R. Ithaka S+R. 27 September 2022. Web. 13 October 2022. https://doi.org/10.18665/sr.317506

Texto completo

La alfabetización cuantitativa es una habilidad esencial del siglo XXI que las universidades se esfuerzan por enseñar a los estudiantes. Las ciencias sociales desempeñan un papel importante en estos esfuerzos porque atraen a estudiantes que, de otro modo, podrían evitar los cursos orientados a los datos y las matemáticas, y porque basan el razonamiento cuantitativo en contextos políticos y sociales que resuenan con los estudiantes universitarios. Sin embargo, las mejores prácticas pedagógicas para los instructores de ciencias sociales han tardado en surgir y las necesidades de apoyo de instructores y estudiantes siguen siendo difíciles de discernir.

El programa de Servicios de Apoyo a la Enseñanza de Ithaka S+R explora las prácticas de enseñanza y las necesidades de apoyo de los instructores universitarios. El proyecto más reciente en este programa, «Enseñanza con datos en las ciencias sociales», se centró en la identificación de los objetivos y las prácticas de enseñanza de los instructores en los cursos introductorios y avanzados de ciencias sociales y en la exploración de los puntos fuertes y débiles de los servicios de apoyo institucionales existentes. Como parte de este estudio, nos asociamos con bibliotecarios de 20 colegios y universidades de Estados Unidos, que realizaron 219 entrevistas con profesores de ciencias sociales. Estas entrevistas constituyen la base de este informe.

 «Fostering Data Literacy: Teaching with Quantitative Data in the Social Sciences.» explora por qué y cómo los profesores enseñan con datos, identifica los retos más importantes a los que se enfrentan y describe cómo los profesores y los estudiantes utilizan los recursos relevantes del campus y externos. En el cuerpo del informe se ofrecen detalles completos y recomendaciones prácticas para las partes interesadas, que ofrecen orientación a las bibliotecas universitarias y otras unidades del campus, al profesorado, a los proveedores y a otros interesados en mejorar las capacidades institucionales para apoyar la enseñanza intensiva de datos en las ciencias sociales.

Conclusiones clave

  • Las habilidades profesionales se enfatizan en todo el plan de estudios y son factores importantes en los programas y métodos que muchos instructores enseñan.
  • Los instructores se centran en la interrogación crítica de la información cuantitativa en las clases introductorias, mientras que enseñan a los estudiantes a realizar su propia investigación y análisis en los cursos de la división superior.
  • Enseñar a los estudiantes a utilizar programas informáticos de análisis es un proceso práctico que requiere una cantidad significativa de valioso tiempo de instrucción, a veces a costa de enseñar perspectivas específicas de la disciplina.
  • Los instructores suelen evitar pedir a los estudiantes que localicen datos por su cuenta porque la mayoría de ellos tienen dificultades para encontrar conjuntos de datos adecuados. Incluso a los profesores les resulta difícil encontrar conjuntos de datos del tamaño y la complejidad adecuados para utilizarlos en los cursos de grado medio y superior.
  • El profesorado depende en gran medida de los ayudantes de cátedra y de los bibliotecarios de enlace como apoyo a la hora de enseñar con datos. Los asistentes de enseñanza desempeñan un papel fundamental a la hora de enseñar a los estudiantes a limpiar los datos y utilizar el software, y los bibliotecarios ayudan a los estudiantes a descubrir los datos, así como a adquirir conocimientos sobre la información y los datos.
  • Tanto el profesorado como el personal confían más en los tutoriales de la web y otros recursos de instrucción informales que en los talleres y otros servicios ofrecidos por las unidades del campus para aprender nueva información.

Guía práctica de las prácticas FAIR en las bibliotecas de investigación

A Practical Guide to FAIR Practices in Research Libraries. LIBER, 2022

Texto completo

En el documento puedes encontrar las primeras acciones tangibles que las bibliotecas de investigación o los bibliotecarios pueden hacer para avanzar hacia las prácticas FAIR. Estas directrices han sido recopiladas por el Grupo de Trabajo de Gestión de Datos de Investigación de LIBER.

Localizable

Para que los datos de investigación sean más «localizables», las bibliotecas de investigación pueden

  • Concienciar y orientar a los investigadores sobre el tema de los identificadores persistentes (PID).
  • Aclarar y comunicar lo que su servicio de metadatos ofrece para los datos de investigación, por ejemplo proporcionar un amplio conjunto de metadatos descriptivos recomendados por FAIR.
  • Compruebar si las soluciones de archivo de la organización de investigación incluyen la indexación por parte de agregadores académicos y motores de búsqueda (por ejemplo, OpenAIRE, DataCite, Google).
  • Asegúrese de que el repositorio utiliza identificadores persistentes (PID) como los DOI. (https://projectthor.readme.io/docs/project-glossary)
  • Asegúrese de que su repositorio de datos se puede encontrar en el directorio de repositorios Re3data (https:// http://www.re3data.org/). Si el repositorio que utiliza o recomienda utilizar no se encuentra, registra el repositorio en re3data.org rellenando el formulario de sugerencias: https://www. re3data.org/suggest.

Accesible

Para que los datos de investigación sean más «accesibles», las bibliotecas de investigación pueden

  • Orientar a los investigadores sobre la diferencia entre FAIR y datos abiertos y las formas de convertir los datos (al menos parcialmente) a FAIR.
  • Proporcionar una orientación clara sobre qué datos de investigación son accesibles y en qué condiciones.
  • Hacer que el repositorio sea lo más accesible posible para humanos y máquinas (por ejemplo interfaces para la recuperación, recolección e indexación).
  • Compartir los metadatos del repositorio bajo una licencia abierta (por ejemplo, Creative Commons Dedicación CC0).

Interoperable

Para que los datos de investigación sean más «interoperables», las bibliotecas de investigación pueden

  • Adquirir experiencia en normas de metadatos para datos de investigación, vocabularios controlados y ontologías en la biblioteca (por ejemplo, DCC Metadata Guidance, RDA Metadata Catalog).
  • Implantar normas de buenas prácticas para los repositorios de datos, en relación con los metadatos, y en general (por ejemplo, OpenAIRE o COAR).
  • En las directrices de su repositorio, pide a los usuarios que dejen claro qué se puede recuperar bajo qué condiciones, es decir, que accedan al archivo readme.
  • Vincula los datos de investigación con otras entidades académicas relevantes mediante identificadores persistentes (por ejemplo, publicaciones, datos, prerregistro, software, ORCID).

Reutilizable

Para que los datos de investigación sean cada vez más «reutilizables», las bibliotecas de investigación pueden

  • Dar a conocer las fuentes de datos existentes y promover la reutilización de datos.
  • Colaborar con las comunidades de práctica que forman parte de las distintas disciplinas de su universidad para crear una experiencia institucional en materia de datos reutilizables.
  • Tomar la iniciativa en la difusión de las mejores prácticas para la documentación de datos y la creación de servicios de conservación.
  • Proporcionar orientación para la concesión de licencias de datos, la publicación de datos y la citación de datos.

Otras acciones para trabajar hacia FAIR

  • Facilitar y proporcionar formación a los gestores de datos y a los bibliotecarios sobre los aspectos de hacer que los datos sean FAIR(er).
  • Proporcionar una orientación clara a los investigadores sobre cómo documentar y publicar los conjuntos de datos, es decir metadatos mínimos, un archivo Léame (readme) e información sobre cómo acceder a los datos.
  • Unirse a un grupo de trabajo de bibliotecas sobre gestión de datos de investigación y datos FAIR (LIBER, RDA).
  • Probar el carácter FAIR de un conjunto de datos de su repositorio mediante una herramienta (o herramientas) de medición FAIR y obtener asesoramiento a partir del resultado de la evaluación (por ejemplo, la herramienta F-UJ: https://www.f-uji.net/).

Guía sobre la alfabetización de datos para principiantes

A Beginner’s Guide to Data & Analytics, London: Harvard Business School, 2021

Texto completo

Con este libro electrónico, obtendrás una introducción a la alfabetización de datos que puede ponerle en el camino de ser un profesional orientado a los datos. Entrar en el espacio de los datos como un principiante puede parecer desalentador, pero con el conocimiento básico, puedes comprender la alfabetización de datos y aprovechar el poder de los datos para el éxito de tu organización.

Creación de conocimientos jurídicos a partir de la minería de datos

Building Legal Literacies for Text Data Mining” . UC Berkeley Library, 2021

PDF

ePub

MOBI

El verano pasado se organizó en el instituto Building Legal Literacies for Text Data Mining un encuentro de una semana de duración con 32 investigadores y profesionales de las humanidades digitales, con el objetivo de capacitarlos para navegar con confianza por la ley, la política, la ética y el riesgo dentro de los proyectos de minería de datos de texto (TDM) de las humanidades digitales. Building Legal Literacies for Text Data Mining (Building LLTDM) fue posible gracias a una subvención del National Endowment for the Humanities.

El libro explora las alfabetizaciones jurídicas tratadas durante el Instituto virtual Building Legal Literacies for Text Data Mining, incluidos los derechos de autor (tanto de la legislación estadounidense como internacional), las medidas de protección tecnológica, la privacidad y las consideraciones éticas. Se describe detalladamente cómo se desarrollo en impartió el instituto de 4 días, y también se ofrecen ideas para organizar sesiones de alfabetización más breves. Por último, ofrecemos reflexiones y conclusiones sobre el Instituto.