Learning in Crisis: Training Students to Monitor and Address Irresponsible Knowledge Construction by US Federal Agencies under Trump
Notice bibliographique
Résumé
Immediately after President Trump's inauguration, U.S. federal science agencies began deleting information about climate change from their websites, triggering alarm among scientists, environmental activists, and journalists about the administration's attempt to suppress information about climate change and promulgate climate denialism. The Environmental Data & Governance Initiative (EDGI) was founded in late 2016 to build a multidisciplinary collaboration of scholars and volunteers who could monitor the Trump administration's dismantling of environmental regulations and science deemed harmful to its industrial and ideological interests. One of EDGI's main initiatives has been training activists and volunteers to monitor federal agency websites to identify how the climate-denialist ideology is affecting public debate and science policy. In this paper, we explain how EDGI's web-monitoring protocols are being incorporated into college curricula. Students are trained how to use the open-source online platforms that EDGI has created, but are also trained in how to analyze changes, determine whether they are significant, and contextualize them for a public audience. In this way, EDGI's work grows out of STS work on "critical making" and "making and doing." We propose that web-monitoring exemplifies an STS approach to responsive and responsible knowledge production that demands a more transparent and trustworthy relationship between the state and the public. EDGI's work shows how STS scholars can establish new modes of engagement with the state, and create spaces where the public can not only define and demand responsible knowledge practices, but also participate in the process of creating STS inspired forms of careful, collective and public knowledge construction.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».