Self-Reflective, Contextual, Multi-Modal Auto-Ethnographic Work: An Approach to Teaching Visual Art Inquiry
Notice bibliographique
Résumé
Visual auto-ethnography offers a way to engage students in self-directed arts-based inquiries focusing on material culture constructs (Garber, 2019). It facilitates creative work and meaningful connections to visual culture (Bolin & Blandy, 2018; Freedman, 2003). Situated in Bourdieusian (1984) habitus lenses, Pink’s (2013) visual ethnography, and drawing on material and visual culture sources in students’ lives, ideas and making practices are explored and expressed. As a multi-modal student-centered pedagogical approach, drawing on the idea of a cabinet of curiosities (Mauries, 2011), and Adam’s (2015) non-linear process, autoethnography involves orienting to a personally relevant inquiry question, examining personally curated art and/or material culture artefacts, engaging in focused journaling, gathering relevant multi-modal artifacts and visual art as copies or originals, and finally, creating multi-modal artworks and accompanying texts that inform and complement one another. A student might examine, for example, lived experiences of spaces and places, situated alongside aesthetic experiences of spaces and places in visual art and culture. Contextual, multimodal and personally relevant, this approach is suitable for pedagogical settings ranging from middle school to higher education via arts education courses, advancing possibilities for situated focused creative work through reflective praxis. The work of Calle (2003) is helpful in locating forms of documentary work in contemporary art, and the work of Eldridge (2012) locates autoethnography in art education scholarship. It is clear that auto-ethnographers’ voices and visions represent unique, situated worldviews, facilitating individual and collective understandings and respect for diverse cultures and perspectives.
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 | 0,018 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,019 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».