Supporting student writing and other modes of learning and assessment: a staff guide
Notice bibliographique
Résumé
Academic writing in Higher Education (HE) is contested practice freighted with meaning, never more so than for widening participation students, still placed as ‘outsiders’ and often left feeling unwelcome and ‘un-voiced’. Ironically, as Molinari (2022) argues, universities were originally more diverse in form and content, not heavily ‘literate’ but oral, discursive and creative. As HE has become ostensibly more ‘open’ the system has become more normative, more formally rule-bound, more ‘written’ – and hence more exclusive. A recent example in the UK is the Office for Students’ attack on inclusive assessment, pushing instead for more emphasis on spelling, punctuation and grammar. Alongside this tension, many in the Learning Development (LD) community feel that discipline academics do not see the ‘teaching’ of academic writing as part of their pedagogic and assessment repertoire, preferring to send students to LD ‘to be fixed’. However, academics and LDs engaged in discussion and free writing (Elbow 1998, 1999) on this topic at a LondonMet L&T Conference presented views that were more nuanced and sympathetic. There was a deep appreciation of the ‘real’ work that academic writing does with and for students; but also a sense that they did not know how to build writing into their practice(s). And so was born this staff Guide: a playful, creative and yet intensely practical guide for academic staff who want to empower their students to write – often, playfully, experimentally – on their way to ‘becoming’, and becoming academic. Presenting the Guide in the resource showcase allowed us to highlight the continuing centrality of writing. Lecturers and university staff can use it to engage students in ‘writing to learn’ rather than ‘learning to write’.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».