Notice bibliographique
Résumé
Why do we use technologies in technology studies? Couldn’t we teach technology in a classroom without the complex lab and workshop infrastructures that characterizes technology studies? We could argue that this is by tradition; this is the way it always was. We could argue that we are involved in training students for occupations that use the technologies we use. We could argue that technology is naturally practical and demands that we offer practical activities. Tradition, vocation, or imitation. Not one of these three will get us very far. We could argue that students learn best when they are active; enactive experiences are best. With this argument, we verge on theoretical issues that underpin technology studies. However, neither experiencebased learning nor enactivism account for technologies in any adequate way. We need to retheorize learning theory to make it work for technology studies. Learning theories deal with specific notions of feelings, knowledge, and skills by addressing the problem of how we learn. Whether we are aware or not, our teaching practices are necessarily shaped by any number of learning theories. We are conditioned or socialized to express particular learning theories through years of participation in schooling and informal education. Sayings such as “we teach who we are” or “we teach how we were taught” suggest the power of our socialization into education. We are all products of our formal schooling and informal education.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,052 |
| Communication savante | 0,018 | 0,013 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».