Working with Sources in the L2 Student Writer’s Assemblage: Technology, Texts, and Research
Notice bibliographique
Résumé
Cette étude explore comment les concepts deleuziens d’agencement, d’affect et de rhizome peuvent informer et transformer notre compréhension du rôle joué par la technologie dans le façonnement de la rédaction universitaire dans une langue seconde. Plus précisément, elle se concentre sur la pratique de rédaction universitaire dans une langue seconde alors que des rédacteurs débutants écrivent une composition argumentée dans un programme de transition d’anglais académique. L’étude suit le parcours de sept participants au cours de plusieurs semaines à mesure qu’ils s’attellent à cette tâche. Les outils de collecte de données comprennent des entrevues tout au long du processus de rédaction, l’analyse documentaire des brouillons écrits, la vidéocapture d’écran et la tenue d’un journal de recherche. La rhizoanalyse a été utilisée pour analyser les données et schématiser les connexions entre les éléments des agencements des étudiants rédacteurs. Des vignettes sont présentées pour problématiser la lecture conventionnelle des données et faire en sorte que les textes dans la recherche sur la rédaction en langue seconde soient envisagés comme des machines asignifiantes. Une lecture différente des données des participants permet d’explorer les interconnexions entre les éléments matériels, affectifs et expressifs, et les forces en jeu dans le processus de rédaction fondé sur des sources, dans un environnement numérique. Pour ces étudiants-rédacteurs novices en langue seconde, les éléments et les forces de leur agencement opèrent de façon unique et imprévue, et produisent des résultats inattendus.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».