MétaCan
Menu
Retour à la cohorte
Enregistrement W2904208121 · doi:10.5206/tips.v8i1.6218

Community Learning: A Public Humanities Approach to Teaching

2018· article· en· W2904208121 sur OpenAlexvenueno aff
Nahmi Lee

Notice bibliographique

RevueTeaching Innovation Projects · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Critical Thinking Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOutreachScholarshipPublic relationsChampionSociologyPolitical scienceDigital humanitiesHumanitiesPedagogyArt

Résumé

récupéré en direct d'OpenAlex

This workshop explores how teaching within the humanities is affected, challenged, or improved by public outreach. This question arises from growing concerns that the humanities has become disconnected from the general public or incoherent outside of a post-secondary institutional setting. Research suggests that in addition to the demands of their own research, scholars in the humanities are facing the added pressures of “policy-makers [who] are increasingly demanding that academics justify themselves in terms of the returns that result from investing in their scholarly domains” (Benneworth, 2015, p. 4). These concerns inform the public humanities movement which seeks to foster relations between scholars and their local communities in an effort to champion civic engagement/learning and accessible scholarship. The goal of this workshop is to consider in detail how teaching practices in the humanities might benefit from such community outreach, as well as to support and offer resources to instructors looking for new ways to engage students in this way. The workshop introduces participants to the public humanities movement, initiates debate on the relationship between humanities teaching and public outreach, and suggests strategies and resources for instructors to connect with local communities and outreach programs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0130,012
Communication savante0,0150,011
Science ouverte0,0040,024
Intégrité de la recherche0,0060,007
Charge utile insuffisante (le modèle a refusé de juger)0,0190,002

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.

Tête enseignante Opus0,190
Tête enseignante GPT0,389
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTeaching Innovation ProjectsMême sujetEducation and Critical Thinking DevelopmentTravaux en français237 207