Coalition Building and Discomfort as Pedagogical Strategies
Notice bibliographique
Résumé
Innovative design solutions come from inclusive and diverse design teams (Page 2008). In this paper, I reflect on how such insights can be used in developing pedagogical approaches that use coalition building, knowledge translation between disciplines, and pedagogies of discomfort to foreground implicit biases impacting architectural practice and education. Based on interviews with educators thinking about the built environment, as well as Kevin Kumashiro’s (2002) anti-oppressive education framework and Megan Boler’s (1999) notion of a pedagogy of discomfort, and building on examples from queer and feminist educators, I suggest in this paper that the disruptive use of feelings and emotions in architectural education can prepare students for more collaborative and inclusive practices. Such discussions allow students to understand the impact of biases but also to think about tools to acknowledge and challenge inequity in the design of the built environment and in the design professions themselves. Cross-disciplinary collaboration, at both the students and the educators level, can also create opportunities for coalition building, particularly in contexts where a limited number of faculty are explicitly discussing race, gender, disability, class, sexuality, or ethnicity in their teaching. Faculty members with diverse individual self-identifications can multiply their impact by working together to tackle the intersecting ways in which minoritized experiences are pushed aside in mainstream architecture discourses and education. They can also foreground their combined experiences as positive role models to create a constructive learning environment to address these issues, both within universities and directly in the community.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».