The Educators’ Datafied Present and Future: Complexity as an Approach to Developing Educators' Data Literacies
Notice bibliographique
Résumé
In the higher education context, an increasing concern on the technical or instrumental approach permeates attention to academics’ data literacies and faculty development. The need for data literacy to deal specifically with the rise of learning analytics in higher education has been raised by some authors, though in spite of some focus on the need to develop academics’ data literacy to embrace fair practices, this literature is often also rooted in a technical or data-driven perspective. In this paper, the authors summarize an empirical study based on 137 articles using the terms “data literacy,” “teachers,” and “faculty development,” spanning from 2014 and 2019. The findings point out that out of the total, 78 papers reviewed took an instrumental, data science-focused perspective on data literacy, were the technical abilities like extracting data and interpreting or reporting appropriately (authors, in press). Data safety and effective data management perspectives accounted for another 35 of the 137 articles. Only seven took up data literacy from a critical perspective, while only five looked at the pedagogical practice. These preliminary findings require awareness and discussion on the light of appropriate faculty development approaches and activities. We introduce some recommendations aimed at understanding data as a complex emerging phenomenon in our societies, which requires building the literacies to face their negative effects like data surveillance and algorithmic biases, but also, to uncover its emancipatory power.
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 | 0,070 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,019 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,037 |
| Communication savante | 0,034 | 0,037 |
| Science ouverte | 0,002 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».