Does computing need to go beyond good and evil impacts?
Notice bibliographique
Résumé
Purpose – This paper aims to demonstrate that computing social issues courses are often being taught by articulating the social impacts of different computer technologies and then applying moral theories to those impacts. It then argues that that approach has a number of serious drawbacks. Design/methodology/approach – A bibliometric analysis of ETHICOMP papers is carried out. Papers from early in the history of ETHICOMP are compared to recent years, so as to determine if papers are more or less focused on social scientific examinations of issues or on ethical evaluations of impacts of technology. The literature is examined to argue the drawbacks of the impact approach. Findings – Over time, ETHICOMP papers have moved away from social scientific examinations of computing to more philosophic and ethical evaluations of perceived impacts of computing. The impact approach has a number of drawbacks. First, it is based on a technological deterministic style of social explanation that has been in disrepute in the academic social sciences for decades. Second, it uses an algorithmic approach to ethics that simplifies the social complexity and uncertainty that is the reality of socio-technological change. Research limitations/implications – The methodology used in this paper is limited in several ways. The bibliometric analysis only examined five years of ETHICOMP papers, while the literature review focused on published computing education research. It is possible that neither of these forms of evidence reflects actual common teaching practice. Practical implications – It is hoped that the arguments in this paper will convince teaching practitioners to modify the way they are teaching computing social issues courses: that is, the authors hope to convince educators to add more focus on the social context of computing. Originality/value – The use of bibliometric analysis in this area is unique. The paper’s argument is perhaps unusual as well.
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 | 0,010 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,026 |
| Communication savante | 0,018 | 0,026 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».