From Zero Tolerance to a Culture of Care.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ist phoned me, asking for my reaction to a story about a kindergarten child in Ontario facing expulsion for hugging and kissing some of his classmates.1 Apparently the parents of the children at the receiving end of his affection were not complaining, but the behaviour was seen as contravening the Ontario Safe Schools Act – protecting children from sexual harassment. Zero tolerance in action! I responded that if the story was accurate, it was an example of “a system gone berserk.” Policies of this sort counteract what we hope to cultivate in schools: caring for one another, applauding differences, and creating community. Zero tolerance policies stem from the culture of fear that pervades many schools today – fear of violence, bullying, and unruly behaviour. The code of conduct is clearly spelled out and if students disobey, the retribution is swift – usually suspension or expulsion. The rules are designed to apply equally to everyone, irrespective of age, gender, cultural background, personal characteristics, parental influence, or school experiences. Under the guise of “equity,” zero tolerance policies are, in fact, inequitable, inhospitable and discriminatory. They contravene what we hold dear as educators and as a society. Further, they are ineffective on a number of fronts. I find the concept of zero tolerance oddly out of place in a public school system and jarring to my sensibilities as an educator. It is much more suited to the culture from which it came – the U.S. military, where conformity and control are paramount. The fact that it found its way into the school
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle