Notice bibliographique
Résumé
Abstract The resurgence of grass-roots activism around race (#BlackLivesMatter) and class (anti-austerity, Occupy) has highlighted how matters of age collide with other significant determinants of health and illness, such as gender, sexuality, race, ethnicity, and class. Clearly, what it means to grow old is deeply contingent upon far-reaching disciplinary and contextual factors that shape students’ understanding of health well before they step into the classroom. Part one of this chapter unpacks key problems currently facing age studies pedagogy by asking, How can age studies be taught to better reflect these crucial diversities, encourage the growth of this field, and establish the value of age studies for students from a range of academic backgrounds and with assorted, often uncertain, career paths? Part two expands this proposition through elaborating a case study of teaching age studies as part of the health humanities curriculum at the University of Toronto Scarborough. The author outlines ways in which striking but conventional age studies material (e.g., Shakespeare’s King Lear) might be repurposed to respond meaningfully both to the locality of a multicultural teaching environment and to students who may possess very different frames of reference. The purpose of the chapter is to (1) articulate the need for greater diversity in age studies (lessons reflected in health humanities more generally) and (2) provide concrete ways to embolden such diversification within the classroom by engaging students—and charging educators—in the expansion of what humanistic studies of aging might entail.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,024 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».