The Aesthetics of OER, Deaf Pedagogy, and Curriculum Design Contra the “Wicked” Policy of Deaf Education
Notice bibliographique
Résumé
Designing inclusive education for deaf learners is a complex dilemma affecting multiple spheres and agents. In the US and Canada, despite considerable work by students, parents, educators, school administrators, curriculum developers, and lawmakers to address education policy about deaf bilingual literacy, the provision of deaf education through open access educational resources is a wicked problem exacerbated by gaps in curriculum and pedagogy. Despite increasingly hypermodern technologies and mandated early assessment, most deaf high schoolers in North America have unsatisfactory literacy skills (Qi & Mitchell, 2012). To better manage this “wicked problem,” involving policy, pedagogical methods, and curriculum design, we explore how aesthetic forms of knowledge and deaf positive design operations are used in conjunction with Open Educational Resources (OER). We reviewed the literature and constructed a novel framework about OER and e-books in deaf education. The synthesis generated three key takeaways that assisted our understanding of the complex issue. We presented our new framework alongside structured questions to 382 attendees hailing from 20 nations at the WUN/UNESCO Conference (2021, October), focused on inclusive and open access education technologies. We empirically analyzed this rich corpus using qualitative coding and represented our findings using a multipart Ecocycle Model. Following basic analysis, we describe four broader implications for deaf education research about teaching and curriculum using OER and e-book materials. Our analysis shows that deaf curriculum design is an educational problem embedded in a larger policy debate concerning methods and philosophies of pedagogy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».