Learning in a Credit Crisis, or a Crisis of Credit? Microcredit Lending, the Grameen Bank, and Informal Learning
Notice bibliographique
Résumé
Popular economic discourses have developed a lexicon which will often refer to economic downturns as a credit crisis. Kojin Karatani’s recent reworking of Marx’s analysis of the credit system however forces us to consider that credit itself may be the problem – a problem referred to here as the crisis of credit. This essay is a critical theoretical analysis of the way in which microcredit lending programs constrain informal learning so that people learn in a crisis of credit. After tracing the roots of microcredit to neoliberal gender reforms, I identify and critique three underlying justifications of the crisis of credit. Finally, I argue that understanding the credit/indebtedness process reveals how our proposed solution to a credit crisis contains new constraints for informal learning. Les discours économiques populaires font généralement référence aux récessions économiques alors qu’ il s’agit de crises de crédit. La nouvelle perspective du système de crédit de Marx entrepris par Kojin Karatani nous force cependant à considérer que le problème se pose sur le crédit lui-même – un problème en l’occurrence de crise de crédit. Cet article est une analyse théorique qui critique la façon dont les programmes de microcrédits entravent l’apprentissage informel des citoyens dans une crise de crédit. Après avoir retracé l’origine des microcrédits jusqu’aux réformes néolibérales de genre, trois justifications de taille ont été identifiées et critiquées. Pour conclure, j’argumenterai que le fait que comprendre le processus de crédit et d’endettement dévoile comment la solution proposée à la crise de crédit contient de nouvelles contraintes pour l’apprentissage informel.
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 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».