Notice bibliographique
Résumé
Attention has been a focus of much of the work I’ve done over the last several years, and in particular the ‘attentional economies’ (Lankshear and Knobel, 2002; de Castell and Jenson, 2005) involving teachers and learners in both classroom-based and non-formal educational environments. What has become very clear is the need to distinguish between attentional behaviours, and other, more complex, more demanding and more generally ‘educative’ kinds of attention. I’m drawn to the idea of ‘exquisite attention’, (Lather 2007:16) and particularly interested in the pleasures of attention, as well of course as its productivity. Maybe its exquisiteness, a pleasure of attention, can be related to its productivity. We have long known that attention can be productive indeed, all by itself, seemingly. Consider the Hawthorne Effect, notorious among researchers---as soon as I begin to pay attention to you, you get better at what you are doing. Having other people pay close and careful attention to what you are doing often helps you do it better. But I want to argue that exquisite attention can never come from other people, but only from ourselves. And I want to set out some ways to see an ethics, an epistemology and a pedagogy in this small claim. Probably many of us gain considerable enjoyment from having other people pay attention to our work, but I’m going to argue that this is a mistake, and a misleading one, in several important ways.
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 | 0,020 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,021 |
| Communication savante | 0,012 | 0,015 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».