Applied Methods of Teaching about Oppression and Diversity to Graduate Social Work Students: A Case Example of Digital Stories
Notice bibliographique
Résumé
Social work education accreditation requires the completion of course work specifically around issues related to oppression and diversity within society. Educators offer a range of approaches to engage students in discussion about oppression and diversity from academic content and structured curriculum to reflective practice and experiential learning opportunities. The following describes a Master of Social Work course on oppression, social justice, and diversity offered at a western Canadian university that utilized a mixed method of teaching practices – including the creation of digital stories by the students in small groups. Beyond this description of the course content, students’ insight into the impact of using digital stories for their own learning and application to professional practice around issues of oppression and diversity is presented and discussed. Pour être agréé comme travailleur social, il faut avoir suivi des cours axés sur les questions d’oppression et de diversité au sein de la société. Pour faire participer les étudiants, les éducateurs emploient diverses méthodes qui vont des discussions à partir d’un contenu universitaire à un programme d’enseignement structuré et utilisent une approche réflective ainsi que des occasions d’apprentissage expérientiel. L’article traite d’un cours de maîtrise en travail social sur l’oppression, la justice sociale et la diversité, offert dans une université de l’Ouest du Canada, qui utilise une méthode combinée de pratiques d’enseignement, y compris la création d’histoires digitales par les étudiants en petits groupes. En plus d’en décrire le contenu, l’article présente un aperçu de l’impact de l’utilisation de ces histoires sur l’apprentissage des étudiants et de son application aux pratiques professionnelles entourant les questions d’oppression et de diversité.
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 | 0,017 | 0,009 |
| 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 | 0,018 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».