Educational futures after COVID-19: Big tech and pandemic profiteering versus education for democracy
Notice bibliographique
Résumé
To address the dramatic economic contraction brought on by the global pandemic, governments at all levels have taken on tremendous debt in order to provide economic stability and prevent a more dramatic collapse. It is likely that, as the initial phase of the pandemic passes, familiar neoliberal austerity claims about the necessity to trim education budgets will gain greater force and acceptance. However, I suggest that these neoliberal policies demand sacrifices of the wrong constituency: Given that Big Tech has amassed huge sums of money over the course of the pandemic, how is it morally justifiable that tech companies benefit from the pandemic while educational institutions shoulder the financial fallout of pandemic government spending? In this paper, I first outline how Big Tech profits from the education sector during the pandemic even as it undermines the democratic function of education in doing so. I then situate these more specific critiques within a broader consideration of the role technology plays in undermining a democratic society. In conclusion, I argue that a pandemic profiteering tax for Big Tech represents the best short-term solution to get ahead of the "austerity curve" and ensure that the COVID-19 crisis serves as an opportunity to deepen our commitments to promoting the democratic function education. Without such commitments, the pandemic will become the turning point at which Big Tech effectively coopts public education for its own ends, to the detriment of democracy. My underlying claim is that technology is in conflict with both democracy and education. This runs against the widespread notion that technology will help promote learning, and that technology helps inform and connect people and therefore helps promote democracy. In what follows I dispel such notions.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,017 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».