Toward People’s Community Control of Technology: Race, Access, and Education
Notice bibliographique
Résumé
This field review explores how the benefits of access to computing for racialized and minoritized communities has become an accepted fact in policy and research, despite decades of evidence that technical fixes do not solve the kinds of complex social problems that disproportionately affect these communities. I use the digital divide framework—a 1990s policy diagnosis that argues that the growth and success of the internet would bifurcate the public into digital “haves” and “have-nots”—as a lens to look at why access to computing frequently appears as a means to achieve economic, political, and social equality for racialized and minoritized communities. First, I present a brief cultural history of computer-assisted instruction to show that widely-held assumptions about the educational utility of computing emerged from utopian narratives about scientific progress and innovation—narratives that also traded on raced and gendered assumptions about users of computers. Next, I use the advent of the digital divide framework and its eventual transformation into digital inequality research to show how those raced and gendered norms about computing and computer users continue to inform research on information and communication technologies (ICTs) used in educational contexts. This is important because the norms implicated in digital divide research are also present in other sites where technology and civic life intersect, including democratic participation, public health, and immigration, among others. I conclude by arguing that naïve or cynical deployments of computing technology can actually harm or exploit the very same racialized and minoritized communities that access is supposed to benefit. In short, access to computing in education—or in any other domain—can only meaningfully contribute to equality when minoritized and racialized communities are allowed to pursue their own collective goals.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».