Hacking History: Redressing Gender Inequities on Wikipedia Through an Editathon
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Editathons are a relatively new type of learning event, which enable participants to create or edit Wikipedia content on a particular topic. This paper explores the experiences of nine participants of an editathon at the University of Edinburgh on the topic of the Edinburgh Seven, who were the first women to attend medical school in 19th century United Kingdom. This study draws on the critical approach to learning technology to position and explore an editathon as a learning opportunity to increase participants’ critical awareness of how the Internet, open resources, and Wikipedia are shaping how we engage with information and construct knowledge. Within this, there is a particular focus on recognising persisting gender inequities and biases online. The qualitative interviews captured rich narrative learning stories, which traced the journey participants took during the editathon. Participants transformed from being online information consumers to active contributors (editors), prompting new critical understandings and an evolving sense of agency. The participants’ learning was focused in three primary areas: (1) a rewriting of history that redresses gender inequities and the championing of the female voice on Wikipedia (both as editors and subject matter); (2) the role of Wikipedia in shaping society’s access to and engagement with information, particularly information on traditionally marginalised subjects, and the interplay of the individual and the collective in developing and owning that knowledge; and (3) the positioning of traditional media in the digital age.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle