Notice bibliographique
Résumé
This paper investigates the intersection of big data and philosophy of education by considering big data’s potential for addressing learning via a holistic process of coming-to-know. Learning, in this sense, cannot be reduced to the difference between a pre- and post-test, for example, as it is constituted at least as much by qualities of experience as it is the situation, process of inquiry and its consequences. Long a perennial concern of philosophers of education, the author suggests that big data offers a budding opportunity for philosophers to engage in dialogue with empirical research in order to better understand the process of learning as coming-to-know. Drawing on John Dewey’s theory of inquiry and his philosophy of experience, the author demonstrates ways that both empirical and philosophical research stands to benefit from cross-dialogue. In offering an unprecedented glimpse of empirical detail, the author proposes that big data stands to afford new insights into this most complex human process and that Dewey’s philosophy offers a vital lens of interpretation that can help philosophers of education to make use of this data in addressing the perennial question of how humans come-to-know.
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 | 0,059 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,069 |
| Communication savante | 0,018 | 0,055 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,019 | 0,046 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».