Accidental Composition: How the Ph.D. Machine Fails Our Students
Notice bibliographique
Résumé
Imagine spending six or more years diligently training in a particular subject to only apply for a job in an unrelated field. Most everything you know will never be used; your education remains for your own edification, locked in a dusty wardrobe of the mind. Add to this a lack of awareness of how to do your new job. This is the picture of the modern-day college composition teacher. Newly printed Ph.D.s (and sometimes Masters) apply for positions for freshmen composition with very little pedagogical training, background, or awareness of the task. For them, composition is a backup plan in the event that their preferred occupation (usually as professor in the humanities) does not pan out. Students in freshmen composition series across the United States end up paying the price for the limited pedagogical preparation that many teachers have had. These students should not have to wait five or ten years before experience teaches these instructors how to be excellent in their craft. This is a silent institutional problem of massive proportions that can—and should—be fixed. This article offers tangible solutions to the issues involved in the lack of pedagogical training of our newly minted Ph.D. students.
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 | 0,016 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,006 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».