نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد رشته علم اطلاعات و دانش شناسی دانشگاه شهید چمران اهواز

2 هیات علمی دانشگاه شهید چمران اهواز

3 دانشگاه علوم پزشکی اهواز

چکیده

هدف: هدف اصلی این پژوهش، سنجش و مقایسه‌ی میزان توانایی دانشجویان تحصیلات تکمیلی دانشگاه شهید چمران اهواز در شناسایی گونه‌های اطلاعاتی اینترنتی است.
روش: این پژوهش از نوع کاربردی و از لحاظ روش، پیمایشی است. جامعه‌ی پژوهش، دانشجویان تحصیلات تکمیلی دانشگاه شهید چمران اهواز بود. حجم جامعه‌ بیش از 4500 نفر بود که به دلیل بزرگ بودن، با استفاده از جدول کرجسی- مورگان نمونه‌گیری انجام شده و اندازه‌ی نمونه، 350 نفر تعیین شد. ابزار استفاده شده در انجام این پژوهش، پرسشنامه‌ی محقق ساخته بود که روایی آن را اساتید گروه علم اطلاعات و دانش‌شناسی دانشگاه شهید چمران تأیید کرده و پایایی آن با ضریب آلفای کرونباخ، معادل 81/0 محاسبه شد.
یافته‌ها: میانگین نمرات دانشجویان در شناسایی گونه‌های اطلاعاتی اینترنتی، گونه‌های اطلاعاتی علمی و گونه‌های اطلاعاتی غیرعلمی، پایین‌تر از میانگین فرضی جامعه‌ی پژوهش بود. برای گونه‌های اطلاعاتی علمی، 61/39 درصد پاسخ‌های داده‌ شده درست بود و برای گونه‌های اطلاعاتی غیرعلمی، این مقدار معادل 46/24 درصد بود. همچنین میانگین نمرات دانشجویان دکتری بالاتر از دانشجویان کارشناسی ارشد و دانشجویان مرد، بالاتر از دانشجویان زن بود.
نتیجه‌گیری: نتایج کلی پژوهش نشان داد که عملکرد جامعه‌ی پژوهش در شناسایی گونه‌های اطلاعاتی اینترنتی ضعیف است و نیاز است که آموزش‌های بیشتری در این زمینه برای دانشجویان تحصیلات تکمیلی اعمال شود.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the Ability to Identify Internet Genres among Postgraduate Students of Shahid Chamran University of Ahvaz by Gender and Level of Education

نویسندگان [English]

  • parna Khalil dezfuli 1
  • Zahed Bigdeli 2
  • Ali Hosein Ghasemi 3

1 master student of library and information science at Shahid Chamran University of Ahvaz

2 faculty member of library and information science department at Shahid Chamran University of Ahvaz

3 faculty member of medical library and information science department at Jundishapur University of Ahvaz

چکیده [English]

Purpose: The main purpose of this study is to evaluate and compare compare the ability to identify Internet genres among postgraduate students of Shahid Chamran University of Ahvaz.
Methodology: This is an applied research that is performed using survey method. The research population was postgraduate students of Shahid Chamran University of Ahwaz. The population size was more than 4500 people. due to their large number, Krejsi-Morgan table was used for sampling and the sample size was 350. The instrument used in this research was a researcher-made questionnaire whose validity was confirmed by the faculty members of library and information science in Shahid Chamran University of Ahvaz and it's reliability was calculated to be 0.81 with Cronbach's alpha coefficient.
Findings: The mean scores of students in identifying Internet genres, scientific genres and non-scientific genres were lower than the persumed mean for the research population. For scientific genres 39.61 percent of the responses were correct, and for non-scientific genres, this was 24.46 percent. Also, the mean scores of PhD students were higher than masters students and male students were higher than female students.
Conclusion: The results of the research showed that the research population's performance in the identification of Internet genres is weak and there is a need for further education in this field for postgraduate students.

کلیدواژه‌ها [English]

  • Internet genres
  • postgraduate students
  • Shahid Chamran University of Ahvaz

Reference

Bretan, I., Dewe, J., Hallberg, A., Wolkert, N., & Karlgren, J. (1998, November). Web-Specific Genre Visualization. In Proceedings of 3rd World Conference on the WWW and Internet.

Chen, F., Girgensohn, A., Cooper, M., Lu, Y., & Filby, G. (2012). Genre identification for office document search and browsing. International Journal on Document Analysis and Recognition (IJDAR), 15(3), 167-182.

Crowston, K. (2010). Internet genres. In M. Bates (Ed.), Encyclopedia of  Library and Information Science (pp. 2583–2596). London, UK: Taylor & Francis.

Crowston, K., Kwaśnik, B., & Rubleske, J. (2010). Problems in the use-centered development of a taxonomy of web genres. Genres on the Web (pp. 69-84). Springer Netherlands. 

Finn, A., Kushmerick, N., & Smyth, B. (2002, March). Genre classification and domain transfer for information filtering. InEuropean Conference on Information Retrieval (pp. 353-362). Springer Berlin Heidelberg.   

Freund, L. (2013). A cross-domain analysis of task and genre effects on perceptions of usefulness. Information Processing & Management, 49(5), 1108-1121.

Kanaris, I., & Stamatatos, E. (2009). Learning to recognize webpage genres. Information Processing & Management, 45(5), 499-512.

Karlgren, J., Bretan, I., Dewe, J., Hallberg, A., & Wolkert, N. (1998, October). Iterative information retrieval using fast clustering and usage-specific genres. Eight DELOS workshop on User Interfaces in Digital Libraries(pp. 85-92).

Kwasnik, B. H., Crowston, K., Nilan, M., & Roussinov, D. (2001). Identifying document genre to improve web search effectiveness. Bulletin of the American Society for Information Science and Technology, 27(2), 23-26.

Leeder, C. (2016). Student misidentification of online genres. Library & Information Science Research, 38(2), 125-132.

Rehm, G., Santini, M., Mehler, A., Braslavski, P., Gleim, R., Stubbe, A., ... & Vidulin, V. (2008, May). Towards a Reference Corpus of Web Genres for the Evaluation of Genre Identification Systems. In LREC.

Santini, M., Mehler, A., & Sharoff, S. (2010). Riding the rough waves of genre on the web. In Genres on the Web (pp. 3-30). Springer, Dordrecht.  

Santini, M., Power, R., & Evans, R. (2006). Implementing a characterization of genre for automatic genre identification of web pages. In Proceedings of the COLING/ACL on Main conference poster sessions (pp. 699-706). Association for Computational Linguistics.

Vidulin, V., Lustrek, M., & Gams, M. (2009). Multi-Label Approaches to Web Genre Identification. JLCL, 24(1), 97-114.

Zhu, J., Xie, Q., Yu, S. I., & Wong, W. H. (2016). Exploiting link structure for web page genre identification. Data Mining and Knowledge Discovery, 30(3), 550-575.

CAPTCHA Image