Learning Through Crisis Epistemologies: Recognising, Managing and Designing New Spaces and Bodies
Notice bibliographique
Résumé
The Covid-19 crisis made spaces for people to immerse themselves in moments of reflection. The suspension of time, sites, and body mobility, the collapse of the past principles; as the macro learning environment has undergone unprecedented changes, how could people read and react to those changes? Learning at the university, almost all the students have to adopt an online format as a singular way to access higher education, which calls for more self-management capacities and learning autonomy. Bodily learning is crucial from the pedagogical perspective, drawing insights from The Affective Turn, where Clough (2008) took the human body as biomedia so as to affect learning and transform knowledge. This paper shines a light on the new bodies and spaces with inherent innovation potentiality. Based on the literature review chiefly from Sociology, Anthropology, Philosophy, and Culture Studies, this paper engages with four typologies of learning epistemology, nomad, heterotopia, liminality, and rhythm. Their essential characteristics, principles, and interpretations imply in-between and transformational traits, challenging the existing principles and being open to alternatives. They help evaluate the changes and foster our critical and creative learning in risk and crisis. Simultaneously, they serve as the theoretical foundation for the following innovation fieldwork.
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 | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,038 |
| Communication savante | 0,020 | 0,031 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».