Speaking Against Inequity in the Writing Classroom: Challenging the Performance Paradigm for Undergraduate Oral Presentations
Notice bibliographique
Résumé
Many existing scholarly speaking pedagogies continue to think of oral presentations as performances for an audience rather than dialogic exchanges of research. Such approaches, prominent in Canadian universities, can exacerbate classroom inequities by valuing certain ways of speaking and, by extension, certain speakers: speaking pedagogies, for example, that instruct students to speak “clearly,” dress “professionally,” or even to appear “confident,” can encode prejudices that privilege some voices and bodies over others, perpetuating discrimination based on gender, race, sexuality, language, and culture. This article argues that an equitable scholarly speaking pedagogy will teach students to instead think of oral presentations as opportunities for collaborative knowledge-making. We offer strategies to help students think of scholarly speaking as an integral part of the research process, rather than a stand-alone performance. Drawing on genre-theoretical approaches to academic writing, we argue that this shift can be achieved by using “precedents”—examples of scholarly speaking—to familiarize students with academic oral discourse’s genre conventions, helping students to recognize scholarly speaking as a situated and dialogic research genre. By shifting the goal of academic oral presentations towards cooperative knowledge-making, these strategies at once challenge student prejudices about who can be a “good” speaker and remind students of their responsibilities as audience members, resulting in a more equitable and inclusive classroom environment. To provide a pragmatic example of our approach, we outline the “Classroom Conference” assignment that we developed and evaluated, which uses precedents to prepare students for the oral presentations that are integrated as a step in completing their larger research projects. Analyzing survey data from students who completed this assignment, we recognize its success but also propose strategies for overcoming persisting challenges in getting students to shift their thinking toward an equitable model of scholarly speaking.
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 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| 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) | 0,000 | 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 ».