Paying the piper: the costs and consequences of academic advancement
Notice bibliographique
Résumé
In many professions there are qualifications to gain and professional standards to achieve. Lawyers pass the bar and doctors pass their boards. In academic life the equivalent is a doctorate, closely followed by a profile of peer-reviewed publication. To hold a doctoral degree is the common requirement to become ‘academic’ but does it prepare individuals to advance in an academic career? In choosing the idiom ‘paying the piper’ (i.e. where one must pay the costs and accept the consequences of one's actions) we recognise that in seeking to develop our scholarly profiles we had to choose to adapt successfully to global workplace expectations, modify our professional aspirations or refuse to participate. In this paper we examine the challenges we faced as academics in physical education as we progressed from beginning to mid-career stages. We focus particularly on challenges related to seeking external research funding, exploring our assumptions about academic life and the perceived expectations that lie under the surface around research funding, teaching and service. Through the use of self-study we demonstrate how our perceptions of academic career progress meant paying personal and professional costs that we were largely (and perhaps naively) unaware of when we entered the academic workforce. Data consisted of Ashley’s reflective diaries generated over the past six years, which were analysed deductively based on an understanding of salient experiences of academic life, most notably, those related to the pursuit of funding and its relationship to academic advancement. Tim played the role of critical friend by asking probing questions, relating personal experiences to instances in Ashley's data, and offering alternative interpretations of Ashley's insights. By sharing our experiences we hope early career academics (ECAs) may relate to and learn from our naivety. In this way, there may be implications for the induction and mentoring of future ECAs.
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 | 0,014 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,023 |
| Communication savante | 0,016 | 0,015 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».