Discussion and Implications for Practice: Women Student Veterans and their Sense of Identity, Belonging, and Voice in Writing Courses and through Writing Assignments
Notice bibliographique
Résumé
Given the lack of published research on women student veterans as a group separate from men student veterans and the unique needs of women student veterans, individual attention needs to be paid to women student veterans. This qualitative study used feminist critical theory to examine the experiences of women student veterans during their transition process from the military to higher education regarding identity, belonging, and voice in connection with writing courses and writing assignments. Real-time in-depth narrative interviews were conducted with seven current or former women student veterans located across the United States. Analysis of the interviews revealed superordinate themes. These three superordinate themes were 1) military influence: lifestyle transition, identity, and writing; 2) peer connections in writing courses; and 3) writing instructor influence. The findings informed by the superordinate themes included women student veterans sometimes have difficulty transitioning from military writing to academic writing, women student veterans need peer connections in the writing classroom, and writing instructors hold much influence over belonging and voice for women student veterans. These findings led to three recommendations for future practice. The first recommendation was that writing workshops focusing on the differences between military writing and academic writing should be held for women student veterans by individual colleges and universities. The second recommendation was colleges and universities can establish and maintain writing groups for women student veterans in which they write and share narratives and poetry reflective of their military and other life experiences. The third recommendation was writing instructors should be trained on providing women student veterans with individualized attention and supportive feedback. Keywords: women student veterans, writing courses, identity, belonging, voice
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 | 0,065 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,025 | 0,019 |
| Communication savante | 0,018 | 0,032 |
| Science ouverte | 0,008 | 0,016 |
| Intégrité de la recherche | 0,016 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».