Collaborative Work and the Future of Humanities Teaching
Notice bibliographique
Résumé
This article explores the degree to which student collaborations on research and writing assignments can effectively realize learning outcomes. The assignment, in this case, encouraged students to contribute discrete parts of a research project in order to develop their complementary abilities: researching, consulting, drafting, and revising. The outcomes for students included appreciation for their individual expertise, and experience combining discrete contributions into a result that surpasses the sum of its parts. In the course, we gave students preliminary guidance for establishing team objectives and roles for the duration of this assignment and asked them to evaluate their learning experience at the end. In this paper, we analyze the students’ quantitative and qualitative feedback, and suggest ways to structure and supervise collaborative assignments so that students develop their expertise and complementary skills. We suggest that collaborative work such as this is essential for advanced undergraduates in the humanities, where collaborations are less common than in other disciplines. Moreover, we conclude that future humanities instructors should be open to the benefits of collaborative research and writing. This article will be of interest to instructors who wish to develop collaborative assignments that improve students’ disciplinary expertise, engagement with course materials, and outreach to audiences beyond the academy. Cet article explore la mesure dans laquelle le travail en collaboration des étudiants en matière de recherche et de rédaction de devoirs peut aboutir à des résultats d’apprentissage efficaces. Dans le cas présent, le devoir demandé devait encourager les étudiants à contribuer à des sections distinctes d’un projet de recherche afin de développer leurs compétences complémentaires : mener à bien la recherche, consulter, préparer un brouillon et réviser. Pour les étudiants, les résultats comprenaient l’appréciation de leur expertise individuelle et l’expérience d’incorporer des contributions distinctes à un résultat qui dépassait la somme de ses parties. Dans le cours, nous avons fourni aux étudiants une orientation préliminaire pour établir les objectifs et les rôles du groupe pour la durée de ce devoir et nous leur avons demandé à la fin d’évaluer leur expérience d’apprentissage. Dans cet article, nous analysons la rétroaction qualitative et quantitative des étudiants et suggérons des manières de structurer et de superviser les devoirs en collaboration afin de permettre aux étudiants de développer leur expertise et leurs compétences complémentaires. Nous suggérons que le travail en collaboration tel que celui présenté ici est essentiel pour les étudiants de niveau avancé au premier cycle en sciences humaines, où le travail en collaboration est moins commun que dans d’autres disciplines. De plus, nous concluons que les futurs instructeurs en sciences humaines devraient se montrer ouverts aux avantages de la recherche et de la rédaction en collaboration. Cet article intéressera les instructeurs qui désirent créer des devoirs en collaboration pour améliorer l’expertise disciplinaire des étudiants, leur intérêt dans la matière enseignée et les activités de rayonnement pour des auditoires au-delà de l’université.
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 | 0,032 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,041 |
| Communication savante | 0,026 | 0,025 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».